hexgrad: Kokoro 82M

hexgrad: Kokoro 82M ist ein leichtgewichtiges Text-to-Speech-Modell mit offenen Gewichten von hexgrad. Es gehört zur Kategorie Speech, seine Aufgabe ist also eng und klar umrissen: geschriebenen Text in gesprochenes Audio umwandeln. Da die Gewichte offen sind, lässt sich das Deployment und Hosting freier planen als bei einem geschlossenen gehosteten Voice-Service, und die Parameterzahl von 82M deutet auf ein kleines Modell hin, nicht auf ein großes Allzweckmodell.

Das Modell nimmt Text als einzige Eingabe und liefert Sprache als einzige Ausgabe. Es hat ein Kontextfenster von 4096 Tokens und eine maximale Ausgabe von 3686, was begrenzt, wie viel Text Sie in einer einzelnen Anfrage synthetisieren können. Die Stimmauswahl ist breit: Das Modell wird mit einem großen Satz benannter Stimmen geliefert, die amerikanisches Englisch, britisches Englisch, Spanisch, Französisch, Hindi, Italienisch, Japanisch, Portugiesisch und Chinesisch abdecken, mit weiblichen und männlichen Optionen in den meisten dieser Sprachen. Namen wie af_heart, am_onyx, bf_emma, em_alex, jf_alpha und zf_xiaoxiao sind Beispiele aus dieser Liste.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Narration und Voiceover für Artikel, Dokumentationen oder kurze Videos passen gut, da Sie eine Stimme wählen können, die zur Zielsprache und zum Publikum passt. Barrierefreiheitsfunktionen wie das Vorlesen von Text in einer App oder das Erzeugen von Audioversionen geschriebener Inhalte sind naheliegende Einsatzfälle. Lokalisierungsarbeit profitiert vom mehrsprachigen Stimmensatz, sodass Sie dasselbe Skript in mehreren Sprachen produzieren können, ohne den Anbieter zu wechseln. Konversationsagenten und interaktive Tools können es für gesprochene Antworten nutzen, und weil das Modell klein ist, ist es ein vernünftiger Kandidat für selbst gehostete oder gerätenahe Deployments, bei denen ein großer gehosteter TTS-Service überdimensioniert wäre.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "hexgrad/kokoro-82m" auf. Da die Schnittstelle dem OpenAI-Format folgt, können bestehende Clients und SDKs, die dieses Protokoll bereits sprechen, mit minimalen Änderungen auf api14 zeigen. Das Modell meldet keine unterstützten Anfrageparameter über die Grundlagen hinaus, planen Sie also damit, Ihren Text und Ihre gewählte Stimme zu senden, statt sich auf Stellschrauben wie temperature oder top_p zu verlassen. Prüfen Sie die aktuelle Preistabelle auf der Seite für die derzeitigen Tarife.

Die wichtigste Einschränkung, die Sie im Auge behalten sollten, ist der Umfang. Dies ist ein Text-to-Speech-Modell, kein Chat- oder Reasoning-Modell, Aufgaben wie Zusammenfassung, Übersetzung oder Fragebeantwortung gehören also stattdessen zu einem Textmodell. Der Kontext von 4096 Tokens und die Obergrenze der Ausgabe von 3686 Tokens bedeuten außerdem, dass lange Dokumente vor der Synthese in Abschnitte aufgeteilt werden müssen. Wenn Sie Speech-to-Text statt Text-to-Speech benötigen oder ein Modell, das Audioverständnis abdeckt, suchen Sie woanders.