Kokoro-82M

Kokoro-82M

用只有 8200 万参数的小型开放权重模型把文字变成语音，1.0 版有 54 种声音，适合想在应用里加入快速、低成本语音的开发者。

由 hexgrad 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Kokoro 是一个有 8200 万参数、权重采用 Apache 许可的文字转语音模型。模型卡说它的质量与更大的模型相当，运行更快、成本更低。1.0 版列出 8 种语言和 54 种声音，模型基于 StyleTTS2-LJSpeech 构建。

适合谁：它适合想要一个自己能运行、或通过托管 API 购买的小模型来生成自然语音的开发者和创作者。

Industry | Who uses it | How they use it | Example
软件 | 应用开发者 | 给应用加入语音回复 | 一个读出聊天回答的声音
无障碍 | 产品团队 | 把屏幕上的文字读出来 | 文章和文档的朗读器
媒体 | 内容创作者 | 为短视频和讲解配音 | 由脚本生成的旁白
教育 | 课程制作者 | 把课文变成音频 | 学习笔记的音频版

如果你想克隆某个特定人的声音，可以跳过它，因为模型卡说它的训练没有使用自定义声音克隆。

用在哪里：

• Python 脚本或 Google Colab 这样的笔记本
• 装有 Python 的 Windows、macOS 或 Linux 电脑
• Hugging Face 上的演示 Space，安装之前就能先听
• 托管 API，模型卡说该模型已经被商业部署

Use case | Who | What they get back
旁白 | 创作者 | 用你选的声音朗读脚本的 WAV 音频
应用语音输出 | 开发者 | 按需逐块生成的语音
试听声音 | 爱好者 | 任一列出声音的示例音频

如何设置：

你需要先准备：

• Python 和 pip
• espeak-ng 语音工具，示例用 apt-get 安装它
• 0.9.2 或更新版本的 kokoro 包，以及 soundfile

1. 安装 kokoro 和 soundfile。
2. 安装 espeak-ng。
3. 为你的语言代码创建一个流水线，然后用你的文字和声音名调用它。

!pip install -q kokoro>=0.9.2 soundfile
!apt-get -qq -y install espeak-ng > /dev/null 2>&1

如果你只想要权重，下面的命令会下载它们。

pip install -U huggingface_hub
hf download hexgrad/Kokoro-82M

如何使用：先把一个叫 text 的变量设成你想朗读的文字。然后创建流水线，遍历它产出的内容，把每一块音频以 24000 Hz 写入 WAV 文件。

from kokoro import KPipeline
import soundfile as sf
import torch
pipeline = KPipeline(lang_code='a')
generator = pipeline(text, voice='af_heart')
for i, (gs, ps, audio) in enumerate(generator):
    print(i, gs, ps)
    sf.write(f'{i}.wav', audio, 24000)

Tool | What it does
KPipeline | 为一个语言代码构建语音流水线
voice | 选择声音，比如 af_heart
sf.write | 把每块音频以 24000 Hz 保存为 WAV 文件
misaki | kokoro 包用来把文字转成音素的 G2P 库

示例：你把 text 设成一小段文字并运行循环。Kokoro 把语音分成几块，逐块打印，并保存名为 0.wav、1.wav 等的文件，你可以用任何音频播放器播放。

新手与专家：它是一个读出文字的小型语音引擎。第一步可以先试演示 Space，再用上面那个简短的 Python 循环读一句话。

这个模型只有解码器，基于 StyleTTS 2 和 ISTFTNet，没有扩散，也没有发布编码器。它用几百小时的音频训练，花了约 1000 小时的 A100 80GB 算力。

你的文字进入流水线
misaki 把它转成音素
模型生成语音音频
音频块被保存为 WAV 文件

注意事项：按模型卡自己的数字，训练成本很低。

Title: 训练成本，单位美元
v0.19: 400 USD
v1.0: 600 USD
总计: 1000 USD

• 假网站: 模型卡警告，任何域名里带 kokoro 的网站都不归这个模型页面或其作者所有，可能是骗局
• 训练数据: 只用宽松许可或无版权的音频，包括公有领域音频、Apache 或 MIT 许可的音频，以及来自闭源 TTS 模型的合成音频
• 其他版本: 列出了其他人做的 119 个量化版本和 71 个微调版本
• License: Apache 2.0
• Cost to run: 自己运行时未提及，模型卡给出托管 API 每百万输入字符不到 1 美元
• Data it reaches: 你给它的文字，以及它写出的 WAV 文件

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 最近 30 天下载：12,580,963
• 点赞：7,403
• 许可证：apache-2.0
• 语言：en
• 基于：yl4579/StyleTTS2-LJSpeech
• Quantized versions: 121
• Fine-tunes: 74
• 标签：text-to-speech

链接

• 模型：https://huggingface.co/hexgrad/Kokoro-82M
• 文件：https://huggingface.co/hexgrad/Kokoro-82M/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download hexgrad/Kokoro-82M

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。