许可协议：Apache-2.0
语言：

• 英语
  基础模型：
• yl4579/StyleTTS2-LJSpeech
  任务标签：文本转语音

Kokoro 是一款拥有8200万参数的开源权重文本转语音模型。尽管其架构轻量，却能提供与大型模型相媲美的音质，同时显著提升速度和成本效益。通过Apache许可的权重，Kokoro可部署于从生产环境到个人项目的任何场景。

⬆️ Kokoro已升级至v1.0版本！ 查看版本发布。

🚀 无代码演示：https://hf.co/spaces/hexgrad/Kokoro-TTS

✨ 现在可通过 pip install kokoro 安装！参见使用指南。

• 版本发布
• 使用指南
• 评估文档 ↗️
• 样本集 ↗️
• 音色库 ↗️
• 模型参数
• 训练详情
• 知识共享署名
• 致谢

版本发布

使用指南

通过 pip install kokoro 安装推理库，代码库位于 https://github.com/hexgrad/kokoro

您可以在Google Colab上运行以下代码单元。试听样本。

# 1️⃣ 安装kokoro  
!pip install -q kokoro>=0.8.2 soundfile  
# 2️⃣ 安装espeak（用于英语OOD回退及部分非英语语言支持）  
!apt-get -qq -y install espeak-ng > /dev/null 2>&1  
# 🇪🇸 'e' => 西班牙语es  
# 🇫🇷 'f' => 法语fr-fr  
# 🇮🇳 'h' => 印地语hi  
# 🇮🇹 'i' => 意大利语it  
# 🇧🇷 'p' => 巴西葡萄牙语pt-br  

# 3️⃣ 初始化管道  
from kokoro import KPipeline  
from IPython.display import display, Audio  
import soundfile as sf  
# 🇺🇸 'a' => 美式英语, 🇬🇧 'b' => 英式英语  
# 🇯🇵 'j' => 日语: pip install misaki[ja]  
# 🇨🇳 'z' => 普通话: pip install misaki[zh]  
pipeline = KPipeline(lang_code='a') # <= 确保lang_code与音色匹配  

# 以下文本仅作演示用途，训练时未使用  
text = '''  
港口上方的天空呈现出电视调至无信号频道的灰白色。  
"我又没在吸毒，"凯斯挤过聊天室门口的人群时听见有人说，"是我的身体产生了巨大的药物戒断反应。"  
这是都市圈的口音和都市圈的笑话。聊天室是为职业流亡者开设的酒吧；你可以在这里喝上一周而听不到两句日语。  

这些决定产生了巨大影响，不仅因与君士坦丁相关，更因其在许多领域的决策对未来数个世纪意义重大。核心问题之一是基督教教堂的建筑形式——当君士坦丁决定协助基督教会建造一系列宏伟建筑时，显然尚未形成纪念性教堂建筑的传统。这些教堂主要采用巴西利卡形制，即基于希腊柱廊的多功能矩形结构，在帝国多数大城市均可觅得踪迹。与古典多神教不同，基督教需要广阔的内部空间举行仪式，而巴西利卡完美契合这一需求。我们虽无从得知皇帝参与新教堂设计的程度，但很容易联想到他在罗马广场完成的世俗巴西利卡（即所谓的马克森提乌斯巴西利卡）以及可能在其仍为凯撒时于特里尔行宫旁建造的另一座巴西利卡。  

[Kokoro](/kˈOkəɹO/)是拥有8200万参数的开源权重TTS模型。尽管架构轻量，其音质可比肩大型模型，同时具备更快的速度和更高的性价比。通过Apache许可的权重，[Kokoro](/kˈOkəɹO/)可部署于从生产环境到个人项目的任何场景。  
'''  
# 4️⃣ 循环生成、播放并保存音频文件  
generator = pipeline(  
    text, voice='af_heart', # <= 在此更改音色  
    speed=1, split_pattern=r'\n+'  
)  
for i, (gs, ps, audio) in enumerate(generator):  
    print(i)  # i => 索引  
    print(gs) # gs => 字素/文本  
    print(ps) # ps => 音素  
    display(Audio(data=audio, rate=24000, autoplay=i==0))  
    sf.write(f'{i}.wav', audio, 24000) # 保存每个音频文件  

底层实现中，kokoro使用音素转换库misaki，代码库位于 https://github.com/hexgrad/misaki

模型参数

架构：

• StyleTTS 2: https://arxiv.org/abs/2306.07691
• ISTFTNet: https://arxiv.org/abs/2203.02395
• 仅解码器：不含扩散模型，未发布编码器

架构设计： Li et al @ https://github.com/yl4579/StyleTTS2

训练者： Discord用户@rzvzn

支持语言： 多语种

模型SHA256哈希值： 496dba118d1a58f5f3db2efc88dbdc216e0483fc89fe6e47ee1f2c53f18ad1e4

训练详情

数据： Kokoro仅使用允许/无版权音频数据及国际音标音素标签进行训练。合规音频示例包括：

• 公有领域音频
• Apache、MIT等许可的音频
• 大型闭源TTS模型生成的合成音频^[1]
  
  [1] https://copyright.gov/ai/ai_policy_guidance.pdf
  
  注：未使用开源TTS模型或"定制语音克隆"生成的合成音频

总数据集规模： 数百小时音频

总训练成本： 约1000美元（使用A100 80GB显存运行1000小时）

知识共享署名

以下CC BY授权音频被用于Kokoro v1.0的训练集：

致谢

• 🛠️ 感谢@yl4579设计StyleTTS 2架构
• 🏆 感谢@Pendrokar将Kokoro列入TTS竞技场
• 📊 感谢所有贡献合成训练数据的人员
• ❤️ 特别鸣谢算力赞助方
• 👾 Discord服务器：https://discord.gg/QuGxSWBfQy
• 🪽 "Kokoro"在日语中意为"心"或"灵魂"，也是《终结者》系列中AI的名字