Maskinöversättning · Engelskt original

Kokoro TTS röster och prover

Kokoro-82M är en lätt, icke-autoregressiv text-till-tal-modell baserad på StyleTTS 2 med en ISTFTNet-vocoder. Den körs helt på Neural Engine via CoreML och producerar naturligt 24 kHz-tal från textinmatning i ett enda framåtpass.

Stödda språk

54 förinställda röster totalt. Voice naming convention: [language_prefix][gender]_[name] — t.ex. af_heart = American Female "Heart", if_sara = Italian Female 'Sara'.

Tyska röster

Tyska serveras av två separata singel-voice buntar, kikiri-tts finjusteringar av Kokoro-82M med en 313 MB CoreML modell per röst, snarare än genom röster av den flerspråkiga bunten. Ladda en efter modell ID och syntetisera med language: "de". Numbers, times, valuta och förkortningar stavas ut på 50 ord, och

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

Utvalda röstprover

Kort MP3 klipp som genereras med de lokala speech-swift CLI. Det fullständiga röstkodstabellen är fortfarande under för användning av kopieringssmak.

Voice Codes Referens

Varje Kokoro röst-ID följer samma mönster: ett en-brev språk prefix, ett en-bokstäver genderkod , sedan en underscore och röstnamnet. Använd tabellen nedan för att kartlägga ett målspråk till rätt prefix.

Språk prefixbord

Alla röster på språk

Engelska - Amerikanska (af_*, am_*

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

Engelska - Brittiska (bf_*, bm_*

Kvinna: bf_alice, bf_emma, bf_isabella, bf_lily
Male: bm_daniel, bm_fable, bm_george, bm_lewis

Spanska (ef_*, em_*

Kvinna: ef_dora
Male: em_alex, em_santa

Franska (ff_*)

Female: ff_siwis

Hindi (hf_*, hm_*

Kvinna: hf_alpha, hf_beta
Male: hm_omega, hm_psi

Italienska (if_*, im_*

Kvinna: if_sara
Male: im_nicola

Japanska (jf_*, jm_*

Kvinna: jf_alpha, jf_gongitsune, jf_nezumi, jf_tebukuro
Male: jm_kumo

Portugisiska - brasilianska (pf_*, pm_*

Kvinna: pf_dora
Male: pm_alex, pm_santa

Kinesiska - Mandarin (zf_*, zm_*

Kvinna: zf_xiaobei, zf_xiaoni, zf_xiaoxiao, zf_xiaoyi
Male: zm_yunjian, zm_yunxi, zm_yunxia, zm_yunyang

Arkitektur

Kokoro använder en 3-stegs CoreML pipeline. Inget provtagningsloop - alla steg är icke-autoregressiva framåt passerar med ett Swift-side-anpassningssteg mellan steg 1 och 2.

3-stegs Pipeline

Phoneme Buckets (varaktighetsmodell)

Varaktighetsmodellen använder uppräknade ingångsformer. Inmatningen är vadderad till den minsta hink som passar:

Decoder Buckets

Fixed-shape-dekodermodeller för olika maximala ljudlängder (varje ram = 600 prover vid 24 kHz):

Kräver iOS 18+/ macOS 15+.

Phonemizer

Text konverteras till telefonme tokens via en tre-tier pipeline - alla Apache-2.0 licensierade, inga GPL-beroende:

1. Dictionary lookup - Amerikanska engelska och brittiska engelska uttalsordböcker med heteronymstöd
2. Suffix stemming - Morfologisk sönderdelning för kända suffix (t.ex. "-ing", "-tion")
3. BART G2P -- Neural grapheme-to-phoneme fallback med en separat CoreML encoder-decoder-modell för out-of-vocabulary ord

Anpassade uttalanden

Korrekta substantiv utanför de skeppade ordböckerna faller igenom till nivå 3, där BART gissningar från Engelska engelska engelska stavningsregler - så icke-Anglo namn kommer ut fel (Tatiana Blir tˈitiəniənə). addPronunciations Injektioner word -> IPA poster före nivå 1:

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

Nycklar matchas nedre och måste vara enkla ord - texten delas på vitrymd och skiljetecken före resolution, så en nyckel som innehåller ett utrymme, hyphen eller apostrophe är aldrig ses upp. IPA måste använda symboler från modellen ordförråd; allt annat är tyst tappade på tokenization. Inmatningar gäller endast den engelska vägen - zh, ja, it, fr, es, ptoch hi Välj dedikerade telefonmisatorer som aldrig konsulterar ordböckerna. Uppslagningen är upplåst, så registrera poster innan syntesen börjar löpa samtidigt på samma modell.

Modellvikt

Prestanda

CLI Användning

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

Alternativ

Exempel

# 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)

Compute Unit Override

fromPretrained(computeUnits:) väljer vilken hårdvara som kör huvud CoreML-modellen. Standarden (.all) låter Core ML föredrar Neural Engine, vilket är den snabbaste vägen på varje stödd enhet. Pass .cpuAndGPU

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)

När du ska använda Kokoro

Licens

• Modellvikter: Apache-2.0 (hexgrad/Kokoro-82M)
• CoreML konvertering: Apache-2.0 (aufklarer/Kokoro-82M-CoreML)
• Ordböcker och G2P: Apache-2.0