免费商用TTS模型：Kokoro TTS，让你的应用声动全球！

Rifx.Online
Technology/Web , Natural Language Processing , Voice Assistants
20 Jan, 2025

在文本转语音（TTS）技术的突破性发展中，Kokoro TTS模型已成为首个免费且可商业使用的TTS解决方案。Kokoro TTS建立在广受欢迎的开源StyleTTS框架之上，提供了无与伦比的灵活性和功能，适用于多种使用场景。让我们来探讨一下这个模型的独特之处、它的特点以及如何充分利用它。

什么是 TTS？

TTS，即文本转语音，是一种将书面文本转换为口语的技术。它广泛应用于以下场景：

与语言模型（LLMs）互动。
讲述有声书。
将书面内容转换为播客。

TTS 模型在现实世界中具有重要应用，增强了可访问性并改善了用户体验。

为什么 Kokoro TTS 是一款颠覆性产品？

Kokoro TTS 作为领先的免费开源 TTS 模型，适用于商业用途。以下是原因：

开源和许可友好 Kokoro TTS 采用 Apache 2.0 许可证，允许无限制用于商业目的。这使其成为真正的开源解决方案。
Hugging Face 排行榜 Kokoro TTS 在 Hugging Face TTS Arena 排行榜上排名第三。虽然其他模型如 Play.HT、ElevenLabs 可能排名更高，但它们并不对外商业化，这使得 Kokoro TTS 具备优势。

3. 顶级特性

独特的语音包：提供多样的语音选项，包括男性和女性声音。

多语言支持：支持美国和英国英语、法语、日语、韩语和中文等语言。
ONNX 版本：提供轻量级、与 GPU 无关的部署选项，适合实时使用场景。

开发者的主要优势

Kokoro TTS 是一个强大的工具，适合希望将 TTS 功能集成到其应用程序中的开发者。其 ONNX 兼容性允许：

无缝自托管：在个人服务器或云环境中部署。
实时应用：非常适合基于网络的实时通信系统。
可扩展的用例：在不依赖于 GPU 的情况下处理大规模生产。

如何开始使用 Kokoro TTS

模型权重可供下载。

## 1️⃣ 安静地安装依赖
!git lfs install
!git clone https://huggingface.co/hexgrad/Kokoro-82M
%cd Kokoro-82M
!apt-get -qq -y install espeak-ng > /dev/null 2>&1
!pip install -q phonemizer torch transformers scipy munch

## 2️⃣ 构建模型并加载默认语音包
from models import build_model
import torch
device = 'cuda' if torch.cuda.is_available() else 'cpu'
MODEL = build_model('kokoro-v0_19.pth', device)
VOICE_NAME = [
    'af', # 默认语音是 Bella 和 Sarah 的 50-50 混合
    'af_bella', 'af_sarah', 'am_adam', 'am_michael',
    'bf_emma', 'bf_isabella', 'bm_george', 'bm_lewis',
    'af_nicole', 'af_sky',
][0]
VOICEPACK = torch.load(f'voices/{VOICE_NAME}.pt', weights_only=True).to(device)
print(f'加载的语音: {VOICE_NAME}')

## 3️⃣ 调用 generate，返回 24khz 音频和使用的音素
from kokoro import generate
text = "How could I know? It's an unanswerable question. Like asking an unborn child if they'll lead a good life. They haven't even been born."
audio, out_ps = generate(MODEL, text, VOICEPACK, lang=VOICE_NAME[0])
## 语言由 VOICE_NAME 的第一个字母决定：
## 🇺🇸 'a' => 美式英语 => en-us
## 🇬🇧 'b' => 英式英语 => en-gb

## 4️⃣ 显示 24khz 音频并打印输出音素
from IPython.display import display, Audio
display(Audio(data=audio, rate=24000, autoplay=True))
print(out_ps)