Kokoro TTS — Android

Kokoro-82M เป็นโมเดลสังเคราะห์เสียงพูดจากข้อความขนาดเล็ก ไม่ใช่ autoregressive ที่รันบน Android ผ่าน ONNX Runtime ผลิตเสียงพูดธรรมชาติ 24 kHz ด้วย 50 เสียง preset ใน 7 ภาษา

ภาษาที่รองรับ

ภาษา	รหัส	เสียงตัวอย่าง
อังกฤษ (สหรัฐฯ)	en	af_heart, am_adam, af_sky
อังกฤษ (สหราชอาณาจักร)	en	bf_emma, bm_george
สเปน	es	ef_dora
ฝรั่งเศส	fr	ff_siwis
ฮินดี	hi	hf_alpha, hm_omega
อิตาลี	it	if_sara
ญี่ปุ่น	ja	jf_alpha, jm_omega
โปรตุเกส	pt	pf_dora
จีน	zh	zf_xiaobei, zm_yunjian

รวม 50 เสียง preset ทั้งหมด แบบแผนการตั้งชื่อเสียง: [language][gender]_[name] — เช่น af_heart = หญิงอเมริกัน "Heart"

ไฟล์โมเดล

ไฟล์	ขนาด
`kokoro-model-int8.onnx`	~89 MB
`voices.bin`	Embedding เสียง
พจนานุกรมหน่วยเสียง	ข้อมูลการออกเสียงเฉพาะภาษา

HuggingFace: aufklarer/Kokoro-82M-ONNX

ประสิทธิภาพ

ตัวชี้วัด	ค่า
พารามิเตอร์	82M
Backend การประมวลผล	ONNX Runtime
อัตราการสุ่มเอาต์พุต	24 kHz

Phonemizer

ข้อความถูกแปลงเป็นโทเค็นหน่วยเสียงโดยใช้ phonemizer ที่อิงพจนานุกรมพร้อมรองรับเฉพาะภาษา การ implement บน Android รวม phonemizer สำหรับภาษาอังกฤษ ฝรั่งเศส สเปน อิตาลี โปรตุเกส ฮินดี ญี่ปุ่น และจีน

การผสาน pipeline

บน Android, Kokoro TTS เป็นส่วนหนึ่งของ SpeechPipeline หลังจาก STT ถอดเสียงพูด ข้อความจะถูกแปลงเป็นหน่วยเสียงแล้วสังเคราะห์กลับเป็นเสียง pipeline จัดการกระแสทั้งหมด VAD → STT → TTS อัตโนมัติ

val modelDir = ModelManager.ensureModels(context)
val pipeline = SpeechPipeline(SpeechConfig(modelDir = modelDir))
pipeline.events.collect { event ->
    when (event) {
        is SpeechEvent.TranscriptionCompleted -> println(event.text)
        else -> {}
    }
}
pipeline.start()
pipeline.pushAudio(samples) // 16kHz mono float32

ซอร์สโค้ด: github.com/soniqo/speech-android