Kokoro TTS

Kokoro-82Mは、ISTFTNetボコーダーを備えたStyleTTS 2ベースの軽量、非自己回帰の音声合成モデルです。CoreML経由で完全にNeural Engine上で動作し、テキスト入力からシングルフォワードパスで自然な24 kHz音声を生成します。

サポート言語

全 50 のプリセット音声。命名規約：[language_prefix][gender]_[name] — 例：af_heart はアメリカ英語の女性「Heart」、if_sara はイタリア語の女性「Sara」。

音声コードリファレンス

Kokoro のすべての音声 ID は同じパターンに従います：1 文字の言語プレフィックス、1 文字の性別コード、アンダースコア、続いて音声名。対象言語と対応するプレフィックスは下表を参照してください。

言語プレフィックス表

言語別の全音声

英語 — アメリカ (af_*, am_*)

女性: af_alloy, af_aoede, af_bella, af_heart (デフォルト), af_jessica, af_kore, af_nicole, af_nova, af_river, af_sarah, af_sky
男性: am_adam, am_echo, am_eric, am_fenrir, am_liam, am_michael, am_onyx, am_puck, am_santa

英語 — イギリス (bf_*, bm_*)

女性: bf_alice, bf_emma, bf_isabella, bf_lily
男性: bm_daniel, bm_fable, bm_george, bm_lewis

スペイン語 (ef_*, em_*)

女性: ef_dora
男性: em_alex, em_santa

フランス語 (ff_*)

女性: ff_siwis

ヒンディー語 (hf_*, hm_*)

女性: hf_alpha, hf_beta
男性: hm_omega, hm_psi

イタリア語 (if_*, im_*)

女性: if_sara
男性: im_nicola

日本語 (jf_*, jm_*)

女性: jf_alpha, jf_gongitsune, jf_nezumi, jf_tebukuro
男性: jm_kumo

韓国語 (kf_*)

女性: kf_somi

ポルトガル語 — ブラジル (pf_*, pm_*)

女性: pf_dora
男性: pm_alex, pm_santa

中国語 — 普通話 (zf_*, zm_*)

女性: zf_xiaobei, zf_xiaoni, zf_xiaoxiao, zf_xiaoyi
男性: zm_yunjian, zm_yunxi, zm_yunxia, zm_yunyang

アーキテクチャ

Kokoroは3段階のCoreMLパイプラインを使用します。サンプリングループなし — すべての段階は非自己回帰のフォワードパスで、段階1と2の間にSwift側の整列ステップがあります。

3段階パイプライン

音素バケット（Durationモデル）

Durationモデルは列挙された入力形状を使用します。入力は、それに収まる最小のバケットにパディングされます：

Decoderバケット

異なる最大音声長のための固定形状デコーダーモデル（各フレーム = 24 kHzで600サンプル）：

iOS 18+ / macOS 15+が必要です。

Phonemizer

テキストは3層パイプライン経由で音素トークンに変換されます — すべてApache-2.0ライセンス、GPL依存なし：

1. 辞書検索 — 異音字サポート付きの米国英語と英国英語の発音辞書
2. 接尾辞語幹化 — 既知の接尾辞（例：「-ing」、「-tion」）の形態論的分解
3. BART G2P — 語彙外単語のための別のCoreMLエンコーダー-デコーダーモデルを使用したニューラル書記素-音素フォールバック

モデルウェイト

パフォーマンス

CLIの使用法

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

オプション

例

# デフォルトボイスでの英語
speech kokoro "Hello, how are you today?" --output hello.wav

# フランス語
speech kokoro "Bonjour le monde" --voice ff_siwis --language fr --output bonjour.wav

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

# 全50ボイスをリスト
speech kokoro --list-voices

Swift API

import KokoroTTS
import AudioCommon

let tts = try await KokoroTTSModel.fromPretrained()
// 初回実行時に約170 MBをダウンロード

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

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

Compute Unit Override

fromPretrained(computeUnits:) selects which hardware runs the main CoreML model. The default (.all) lets Core ML prefer the Neural Engine, which is the fastest path on every supported device. Pass .cpuAndGPU to bypass the ANE as a fallback on platforms where the ANE compiler produces incorrect output for this 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)

Kokoroを使用すべき時

ライセンス

• モデルウェイト：Apache-2.0（hexgrad/Kokoro-82M）
• CoreML変換：Apache-2.0（aufklarer/Kokoro-82M-CoreML）
• 辞書とG2P：Apache-2.0