hexgrad: Kokoro 82M

hexgrad: Kokoro 82M هو نموذج تحويل النص إلى كلام خفيف الوزن ومفتوح الأوزان من hexgrad. يقع في فئة الكلام، لذا فإن مهمته ضيقة وواضحة: تحويل النص المكتوب إلى صوت منطوق. ولأن الأوزان مفتوحة، يمكنك التفكير في النشر والاستضافة بحرية أكبر مما هو ممكن مع خدمة صوتية مستضافة ومغلقة، كما أن عدد المعاملات البالغ 82M يشير إلى نموذج صغير وليس نموذجا عام الأغراض كبيرا.

يأخذ النموذج النص كمدخل وحيد له ويعيد الكلام كمخرج وحيد له. نافذة السياق لديه هي 4096 رمزا والحد الأقصى للمخرج هو 3686، مما يحدد مقدار النص الذي يمكنك توليده في طلب واحد. اختيار الصوت واسع: يأتي النموذج بمجموعة كبيرة من الأصوات المسماة التي تغطي الإنجليزية الأمريكية والإنجليزية البريطانية والإسبانية والفرنسية والهندية والإيطالية واليابانية والبرتغالية والصينية، مع خيارات أنثوية وذكورية في معظم تلك اللغات. أسماء مثل af_heart وam_onyx وbf_emma وem_alex وjf_alpha وzf_xiaoxiao هي أمثلة من تلك القائمة.

تشير هذه القدرات إلى مجموعة محددة إلى حد ما من الاستخدامات. السرد والتعليق الصوتي للمقالات أو الوثائق أو مقاطع الفيديو القصيرة يناسبها جيدا، لأنك تستطيع اختيار صوت يطابق اللغة المستهدفة والجمهور. ميزات إمكانية الوصول مثل قراءة النص بصوت عال في تطبيق، أو توليد نسخ صوتية من المحتوى المكتوب، تناسبها بطبيعتها. يستفيد عمل التوطين من مجموعة الأصوات متعددة اللغات، مما يتيح لك إنتاج النص نفسه بعدة لغات دون تغيير المزود. يمكن للوكلاء المحادثين والأدوات التفاعلية استخدامه للردود المنطوقة، ولأن النموذج صغير، فهو مرشح معقول لعمليات النشر المستضافة ذاتيا أو على الجهاز حيث تكون خدمة TTS مستضافة كبيرة مبالغا فيها.

يمكنك استدعاؤه عبر واجهة api14 المتوافقة مع OpenAI باستخدام معرف النموذج "hexgrad/kokoro-82m". ولأن الواجهة تتبع تنسيق OpenAI، يمكن للعملاء ومجموعات SDK الحالية التي تتحدث ذلك البروتوكول بالفعل أن تشير إلى api14 بتغييرات طفيفة. لا يعلن النموذج عن أي معاملات طلب مدعومة تتجاوز الأساسيات، لذا خطط لإرسال نصك والصوت الذي اخترته بدلا من الاعتماد على مقابض الضبط مثل temperature أو top_p. راجع جدول الأسعار المباشر على الصفحة للحصول على الأسعار الحالية.

القيد الرئيسي الذي يجب تذكره هو النطاق. هذا نموذج تحويل النص إلى كلام، وليس نموذجا للمحادثة أو الاستدلال، لذا فإن مهام مثل التلخيص أو الترجمة أو الإجابة عن الأسئلة تنتمي إلى نموذج نصي بدلا من ذلك. كما أن سياق 4096 رمزا وسقف المخرج البالغ 3686 رمزا يعنيان أن المستندات الطويلة تحتاج إلى تقسيم إلى أجزاء قبل التوليد. إذا كنت بحاجة إلى تحويل الكلام إلى نص بدلا من تحويل النص إلى كلام، أو إلى نموذج يتعامل مع فهم الصوت، فابحث في مكان آخر.