Strojový překlad · Anglický originál

Kokoro TTS hlasy a vzorky

Kokoro-82M je lehký, non-autoregresivní text- to- speak model založený na StyletTS 2 s ISTFTNet vokodérem. To běží zcela na Neural Engine přes CoreML, produkující přírodní 24 kHz řeči z textového vstupu v jediném předvstupním průsmyku.

Podporované jazyky

54 přednastavené hlasy celkem. [language_prefix][gender]_[name] - např., af_heart = Americká žena "Srdce", if_sara = Italská žena "Sara".

Německé hlasy

Němec je obsluhován dvěma oddělenými jednohlasovými svazky, kikiri- tts fine- tunes Kokoro-82M s jedním 313 MB CoreML model na hlas, spíše než hlasy z mnohojazyčného svazku. Načíst jeden model ID a syntetizovat s language: "de". Čísla, data, časy, měna a zkratky jsou uvedeny na zařízení, a slova řešení prostřednictvím sdružené 50k- slovo německý slovník.

let tts = try await KokoroTTSModel.fromPretrained(modelId: KokoroTTSModel.germanMartinModelId)
let audio = try tts.synthesize(text: "Am 3. Oktober um 18:30 Uhr kostet es 12,80 €.",
                               voice: "dm_martin", language: "de")

speech kokoro --model aufklarer/Kokoro-82M-German-Martin-CoreML --language de "Guten Tag, wie geht es Ihnen?" --output guten-tag.wav

Nejlepší hlasové vzorky

Krátké klipy MP3 generované lokálním speech-swift CLI. Úplná tabulka hlasových kódů zůstává níže pro copy- pasta použití.

Odkaz na hlasové kódy

Každý hlasový průkaz Kokoro sleduje stejný vzor: jedno písmeno jazyková prefix, jeden-dopis genderový kód, pak podtržení a hlasové jméno. Použijte tabulku níže pro mapu cílového jazyka na správné prefix.

Tabulka předpokladů jazyka

Všechny hlasy podle jazyka

Anglicko - americké (af_*, am_*)

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

Angličtina - britština (bf_*, bm_*)

Žena: bf_alice, bf_emma, bf_isabella, bf_lily
Muž: bm_daniel, bm_fable, bm_george, bm_lewis

Španělština (ef_*, em_*)

Žena: ef_dora
Muž: em_alex, em_santa

Francouzština (ff_*)

Žena: ff_siwis

Hindština (hf_*, hm_*)

Žena: hf_alpha, hf_beta
Muž: hm_omega, hm_psi

Italština (if_*, im_*)

Žena: if_sara
Muž: im_nicola

Japonské (jf_*, jm_*)

Žena: jf_alpha, jf_gongitsune, jf_nezumi, jf_tebukuro
Muž: jm_kumo

Portugalština - Brazilština (pf_*, pm_*)

Žena: pf_dora
Muž: pm_alex, pm_santa

Čínština - mandarínština (zf_*, zm_*)

Žena: zf_xiaobei, zf_xiaoni, zf_xiaoxiao, zf_xiaoyi
Muž: zm_yunjian, zm_yunxi, zm_yunxia, zm_yunyang

Architektura

Kokoro používá potrubí 3- stage CoreML. Žádná odběrná smyčka - všechny fáze jsou non-autoregresivní posuvné průsmyky s Swift- side settingem mezi etapami 1 a 2

3- Stavební potrubí

Telefonní žetony (Trvání modelu)

Model doby trvání používá číselné vstupní tvary. Vstup je polstrován do nejmenšího kbelíku, který vyhovuje:

Dekodérové knoflíky

Fixed- tvarové dekodéry pro různé maximální délky zvuku (každý rám = 600 vzorků při 24 kHz):

Požadavky iOS 18+ / macOS 15+.

Fonemizér

Text je převeden na foneme tokens přes třístupňový ropovod - všechny Apache-2.0 licencované, bez GPL závislostí:

1. Vyhledávání slovníku - Americký anglický a britský slovník výslovnosti s heteronymní podporou
2. Příznak vyplývající - morfologické rozklad známých sufixů (např. "-ing", "-tion")
3. BART G2P - Neurální grafeme- to- phoneme fallback pomocí samostatného modelu enkoder- dekodéru CoreML pro out- of-slovní slova

Vlastní výslovnost

Řádné názvy mimo dodávané slovníky propadají do úrovně 3, kde BART odhaduje od English Pravidla hláskování - takže ne-Anglo jména vyjde špatně (Tatiana se stává tˈitiəniənə). addPronunciations injekce word -> IPA záznamy před úrovní 1:

let tts = try await KokoroTTSModel.fromPretrained()
tts.addPronunciations(["tatiana": "tɑtiˈɑnə"])

Klíče jsou srovnávány s nízkým a musí být jednoduchá slova - text je rozdělen na Whitespace a interpunkce před rozlišením, takže klíč obsahující prostor, pomlčka, nebo apostrof se nikdy podíval nahoru. NPP musí používat symboly z modelu slovní zásoby, vše ostatní je tiše klesl na tokenization. Záznamy platí pouze pro anglickou cestu - zh, ja, it, fr, es, pt, a hi vyberte vyhrazené fonemitéry, které nikdy konzultovat slovníky. Hledání je odemčeno, takže registrujte položky před syntézou začne běžet souběžně na stejném modelu.

Vzorové váhy

Výkonnost

Použití CLI

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

Možnosti

Příklady

# 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 54 voices
speech kokoro --list-voices

Swift API

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)

Vypočítejte přejetí jednotky

fromPretrained(computeUnits:) vybere, který hardware běží hlavním modelem CoreML. Výchozí (.all) umožňuje Core ML preferovat Neural Engine, což je nejrychlejší cesta na každém podporovaném zařízení. .cpuAndGPU obejít ANE jako nouzový bod na platformách, kde ANE kompilátor produkuje nesprávný výstup pro tento model.

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)

Kdy použít Kokoro

Licence

• Vzorové závaží: Apache-2.0 (hexgrad / Kokoro-82M)
• Konverze CoreML: Apache-2.0 (aufklarer / Kokoro-82M-CoreML)
• Slovníky a G2P: Apache-2.0