Kokoro TTS

Kokoro-82M نموذج خفيف وغير انحداري لتحويل النص إلى كلام، مبني على StyleTTS 2 مع مفكّك صوتي ISTFTNet. يعمل بالكامل على Neural Engine عبر CoreML، وينتج كلاماً طبيعياً بمعدل 24 kHz من دخل نصي في تمريرة أمامية واحدة.

اللغات المدعومة

50 صوتاً جاهزاً بالمجمل. اصطلاح تسمية الأصوات: [language_prefix][gender]_[name] — مثلاً af_heart = أنثى أمريكية "Heart"، وif_sara = أنثى إيطالية "Sara".

مرجع رموز الأصوات

يتبع كل معرّف صوت في Kokoro النمط نفسه: بادئة لغة من حرف واحد، ثم رمز جنس من حرف واحد، ثم شرطة سفلية واسم الصوت. استخدم الجدول التالي لربط اللغة المطلوبة بالبادئة الصحيحة.

جدول بادئات اللغات

جميع الأصوات حسب اللغة

الإنجليزية — الأمريكية (af_*, am_*)

أنثى: af_alloy, af_aoede, af_bella, af_heart (افتراضي), af_jessica, af_kore, af_nicole, af_nova, af_river, af_sarah, af_sky
ذكر: am_adam, am_echo, am_eric, am_fenrir, am_liam, am_michael, am_onyx, am_puck, am_santa

الإنجليزية — البريطانية (bf_*, bm_*)

أنثى: bf_alice, bf_emma, bf_isabella, bf_lily
ذكر: bm_daniel, bm_fable, bm_george, bm_lewis

الإسبانية (ef_*, em_*)

أنثى: ef_dora
ذكر: em_alex, em_santa

الفرنسية (ff_*)

أنثى: ff_siwis

الهندية (hf_*, hm_*)

أنثى: hf_alpha, hf_beta
ذكر: hm_omega, hm_psi

الإيطالية (if_*, im_*)

أنثى: if_sara
ذكر: im_nicola

اليابانية (jf_*, jm_*)

أنثى: jf_alpha, jf_gongitsune, jf_nezumi, jf_tebukuro
ذكر: jm_kumo

الكورية (kf_*)

أنثى: kf_somi

البرتغالية — البرازيلية (pf_*, pm_*)

أنثى: pf_dora
ذكر: pm_alex, pm_santa

الصينية — الماندرين (zf_*, zm_*)

أنثى: zf_xiaobei, zf_xiaoni, zf_xiaoxiao, zf_xiaoyi
ذكر: zm_yunjian, zm_yunxi, zm_yunxia, zm_yunyang

البنية

يستخدم Kokoro خط أنابيب CoreML من 3 مراحل. لا توجد حلقة عيّنات (sampling loop) — جميع المراحل تمريرات أمامية غير انحدارية، مع خطوة محاذاة في Swift بين المرحلتين 1 و2.

خط أنابيب من 3 مراحل

سلال الفونيمات (نموذج المدّة)

يستخدم نموذج المدّة أشكال دخل مُعدّدة. تُحشى المدخلات إلى أصغر سلّة تتّسع لها:

سلال المفكّك

نماذج مفكّك بشكل ثابت لأطوال صوت قصوى مختلفة (كل إطار = 600 عيّنة بمعدل 24 kHz):

يتطلّب iOS 18+ / macOS 15+.

مُفَوْنِم النص

يُحوَّل النص إلى رموز فونيمات عبر خط أنابيب ثلاثي المستويات — كله بترخيص Apache-2.0 ودون أي اعتماديات GPL:

1. بحث في قاموس — قواميس نطق للإنجليزية الأمريكية والبريطانية مع دعم الهيتيرونيم (المفردات المتعدّدة النطق)
2. تجذير اللواحق — تفكيك صرفي للّواحق المعروفة (مثل "-ing" و"-tion")
3. BART G2P — نسخة احتياطية عصبية لتحويل الحرف إلى فونيم باستخدام نموذج CoreML منفصل من نوع مُرمِّز-مفكِّك للكلمات خارج المفردات

أوزان النموذج

الأداء

استخدام سطر الأوامر

speech kokoro "Hello, world!" --voice af_heart --output hello.wav

الخيارات

أمثلة

# English with default voice
speech kokoro "Hello, how are you today?" --output hello.wav

# French
speech kokoro "Bonjour le monde" --voice ff_siwis --language fr --output bonjour.wav

# Japanese
speech kokoro "こんにちは世界" --voice jf_alpha --language ja --output konnichiwa.wav

# List all 50 voices
speech kokoro --list-voices

واجهة Swift

import KokoroTTS
import AudioCommon

let tts = try await KokoroTTSModel.fromPretrained()
// Downloads ~170 MB on first run

let audio = try tts.synthesize(text: "Hello world", voice: "af_heart")
// audio: [Float] — 24 kHz mono PCM

try WAVWriter.write(samples: audio, sampleRate: 24000, to: outputURL)

تجاوز وحدة الحوسبة

تختار fromPretrained(computeUnits:) العتاد الذي يشغّل نموذج CoreML الأساسي. القيمة الافتراضية (.all) تتيح لـ Core ML تفضيل Neural Engine، وهو المسار الأسرع على كل جهاز مدعوم. مرّر .cpuAndGPU لتجاوز ANE كحلّ احتياطي على المنصّات التي يُنتج فيها مُصرِّف ANE خرجاً غير صحيح لهذا النموذج.

import CoreML
import KokoroTTS

// Default: ANE preferred
let tts = try await KokoroTTSModel.fromPretrained()

// Fallback: bypass the Neural Engine
let tts = try await KokoroTTSModel.fromPretrained(computeUnits: .cpuAndGPU)

متى تستخدم Kokoro

الترخيص

• أوزان النموذج: Apache-2.0 (hexgrad/Kokoro-82M)
• التحويل إلى CoreML: Apache-2.0 (aufklarer/Kokoro-82M-CoreML)
• القواميس وG2P: Apache-2.0