许可协议：apache-2.0
基础模型：

• hexgrad/Kokoro-82M
  任务标签：文本转语音

🐈 GitHub: https://github.com/hexgrad/kokoro

Kokoro 是一个开放权重的小型但功能强大的文本转语音（TTS）模型系列。

本模型是通过短期训练得到的成果，新增了来自专业数据集的100名中文说话人数据。这些中文数据由专业数据集公司「龙猫数据」免费且无偿提供。感谢你们让这一模型成为可能。

此外，训练中还加入了一些众包合成的英语数据：^[1]

• 1小时的Maple（美国女性）
• 1小时的Sol（另一位美国女性）
• 1小时的Vale（年长英国女性）

由于移除了许多原有声音，本版本并非严格意义上的升级版，但提前发布以收集对新声音和分词方案的反馈。除中文数据集和3小时英语数据外，其余数据均未参与本次训练。目标是推动模型系列发展，并最终恢复部分被移除的声音。

根据美国版权局现行指引，合成数据通常不受版权保护。由于这些合成数据来自众包，模型训练者不受任何服务条款约束。采用Apache许可证的模型也符合OpenAI关于广泛传播AI效益的使命。若您愿助力此目标，可考虑贡献允许使用的音频数据。

<sup>[1] 龙猫数据未参与英语合成数据的众包工作

[2] 以下中文内容为机器翻译</sup>

Kokoro是一系列体积小巧但性能强劲的TTS模型。

该模型通过短期训练而成，整合了专业数据集中的100名中文说话人。中文数据由「龙猫数据」公司慷慨授权使用。特此致谢。

训练数据还包含众包合成的英语内容：

• 1小时美国女性Maple
• 1小时美国女性Sol
• 1小时英国年长女性Vale

因删减较多声音，本版非严格升级版，旨在收集新声音与分词方案的反馈。除中文数据及3小时英语数据外，其余数据均未用于本次训练。最终目标是完善模型系列并恢复部分被移除声音。

• 版本发布
• 使用指南
• 样本试听 ↗️
• 模型参数
• 致谢声明

版本发布

使用指南

可在Google Colab运行以下代码：

!pip install -q kokoro>=0.8.2 "misaki[zh]>=0.8.2" soundfile
!apt-get -qq -y install espeak-ng > /dev/null 2>&1
from IPython.display import display, Audio

!wget https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh/resolve/main/samples/make_en.py
!python make_en.py
display(Audio('HEARME_en.wav', rate=24000, autoplay=True))

!wget https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh/resolve/main/samples/make_zh.py
!python make_zh.py
display(Audio('HEARME_zf_001.wav', rate=24000, autoplay=False))

待优化：类似https://hf.co/hexgrad/Kokoro-82M#usage的用法，但构建KModel或KPipeline时应传入repo_id='hexgrad/Kokoro-82M-v1.1-zh'。参考make_en.py和make_zh.py。

模型参数

架构信息：

• StyleTTS 2: 论文链接
• ISTFTNet: 论文链接
• 纯解码器架构：无扩散模型，不发布编码器
• 8200万参数，同https://hf.co/hexgrad/Kokoro-82M

架构设计： Li et al @ StyleTTS2项目

训练者： Discord用户@rzvzn

支持语言： 英语、中文

模型SHA256哈希值： b1d8410fa44dfb5c15471fd6c4225ea6b4e9ac7fa03c98e8bea47a9928476e2b

致谢声明

待补充：类似https://hf.co/hexgrad/Kokoro-82M#acknowledgements的内容