Kokoro TTS

Kokoro-82M 是一个轻量级、非自回归的文本转语音模型，基于 StyleTTS 2 与 ISTFTNet 声码器。它通过 CoreML 完全运行在 Neural Engine 上，以单次前向从文本输入生成自然的 24 kHz 语音。

支持的语言

50 个预设语音。命名约定：[language_prefix][gender]_[name] — 例如 af_heart = 美式女声 “Heart”，if_sara = 意大利语女声 “Sara”。

语音代码参考

每个 Kokoro 语音 ID 都遵循相同模式：单字母 语言前缀、单字母 性别代码、下划线，再加上语音名称。下表将目标语言映射到对应的前缀。

语言前缀表

按语言列出全部语音

英语 — 美式 (af_*, am_*)

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

英语 — 英式 (bf_*, bm_*)

女声: bf_alice, bf_emma, bf_isabella, bf_lily
男声: bm_daniel, bm_fable, bm_george, bm_lewis

西班牙语 (ef_*, em_*)

女声: ef_dora
男声: em_alex, em_santa

法语 (ff_*)

女声: ff_siwis

印地语 (hf_*, hm_*)

女声: hf_alpha, hf_beta
男声: hm_omega, hm_psi

意大利语 (if_*, im_*)

女声: if_sara
男声: im_nicola

日语 (jf_*, jm_*)

女声: jf_alpha, jf_gongitsune, jf_nezumi, jf_tebukuro
男声: jm_kumo

韩语 (kf_*)

女声: kf_somi

葡萄牙语 — 巴西 (pf_*, pm_*)

女声: pf_dora
男声: pm_alex, pm_santa

中文 — 普通话 (zf_*, zm_*)

女声: zf_xiaobei, zf_xiaoni, zf_xiaoxiao, zf_xiaoyi
男声: zm_yunjian, zm_yunxi, zm_yunxia, zm_yunyang

架构

Kokoro 使用 3 阶段 CoreML 流水线。没有采样循环 — 所有阶段都是非自回归前向传递，在第 1 和第 2 阶段之间有一次 Swift 端的对齐步骤。

3 阶段流水线

音素桶（时长模型）

时长模型使用枚举输入形状。输入会填充至最小的可容纳桶：

解码器桶

用于不同最大音频长度的固定形状解码器模型（24 kHz 下每帧 = 600 个样本）：

需要 iOS 18+ / macOS 15+。

音素化器

文本通过三层流水线转换为音素 token — 全部采用 Apache-2.0 许可证，无 GPL 依赖：

1. 字典查找 — 美英与英式英语发音字典，支持多音字
2. 后缀词干处理 — 对已知后缀进行形态分解（例如 "-ing"、"-tion"）
3. BART G2P — 使用独立的 CoreML 编码器-解码器模型作为神经字素到音素的兜底，处理词表外的词

模型权重

性能

CLI 用法

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

选项

示例

# 使用默认音色的英文
speech kokoro "Hello, how are you today?" --output hello.wav

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

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

# 列出全部 50 种音色
speech kokoro --list-voices

Swift API

import KokoroTTS
import AudioCommon

let tts = try await KokoroTTSModel.fromPretrained()
// 首次运行下载 ~170 MB

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

何时使用 Kokoro

许可证

• 模型权重：Apache-2.0（hexgrad/Kokoro-82M）
• CoreML 转换：Apache-2.0（aufklarer/Kokoro-82M-CoreML）
• 字典与 G2P：Apache-2.0