hexgrad: Kokoro 82M

hexgrad: Kokoro 82M es un modelo de texto a voz ligero y de pesos abiertos de hexgrad. Se sitúa en la categoría de voz, por lo que su función es estrecha y clara: convertir texto escrito en audio hablado. Como los pesos son abiertos, puedes razonar sobre el despliegue y el alojamiento con más libertad que con un servicio de voz alojado y cerrado, y el recuento de 82M de parámetros indica un modelo pequeño en lugar de uno grande de propósito general.

El modelo toma texto como su única entrada y devuelve voz como su única salida. Tiene una ventana de contexto de 4096 tokens y una salida máxima de 3686, lo que limita cuánto texto puedes sintetizar en una sola solicitud. La selección de voces es amplia: el modelo incluye un gran conjunto de voces con nombre que cubren inglés estadounidense, inglés británico, español, francés, hindi, italiano, japonés, portugués y chino, con opciones femeninas y masculinas en la mayoría de esos idiomas. Nombres como af_heart, am_onyx, bf_emma, em_alex, jf_alpha y zf_xiaoxiao son ejemplos de esa lista.

Esas capacidades apuntan a un conjunto bastante específico de usos. La narración y la locución para artículos, documentación o vídeos cortos encajan bien, ya que puedes elegir una voz que coincida con el idioma objetivo y el público. Las funciones de accesibilidad, como leer texto en voz alta en una aplicación, o generar versiones de audio de contenido escrito, son aplicaciones naturales. El trabajo de localización se beneficia del conjunto de voces multilingüe, lo que te permite producir el mismo guion en varios idiomas sin cambiar de proveedor. Los agentes conversacionales y las herramientas interactivas pueden usarlo para respuestas habladas, y como el modelo es pequeño, es un candidato razonable para despliegues autoalojados o de estilo en dispositivo donde un gran servicio de TTS alojado sería excesivo.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "hexgrad/kokoro-82m". Como la interfaz sigue el formato de OpenAI, los clientes y SDK existentes que ya hablan ese protocolo pueden apuntar a api14 con cambios mínimos. El modelo no informa de ningún parámetro de solicitud compatible más allá de los básicos, así que cuenta con enviar tu texto y tu voz elegida en lugar de depender de ajustes como temperature o top_p. Consulta la tabla de precios en vivo en la página para conocer las tarifas actuales.

La principal restricción que hay que tener en cuenta es el alcance. Este es un modelo de texto a voz, no un modelo de chat o razonamiento, por lo que tareas como el resumen, la traducción o la respuesta a preguntas corresponden a un modelo de texto. El contexto de 4096 tokens y el límite de salida de 3686 tokens también implican que los documentos largos deben dividirse en fragmentos antes de la síntesis. Si necesitas voz a texto en lugar de texto a voz, o un modelo que maneje la comprensión de audio, busca en otro sitio.