hexgrad: Kokoro 82M

hexgrad : Kokoro 82M est un modèle de synthèse vocale léger à poids ouverts de hexgrad. Il appartient à la catégorie parole, donc son rôle est étroit et clair : transformer du texte écrit en audio parlé. Comme les poids sont ouverts, vous pouvez raisonner sur le déploiement et l'hébergement plus librement qu'avec un service vocal hébergé fermé, et le nombre de paramètres de 82M indique un petit modèle plutôt qu'un grand modèle polyvalent.

Le modèle prend le texte comme seule entrée et renvoie la parole comme seule sortie. Il dispose d'une fenêtre de contexte de 4096 tokens et d'une sortie maximale de 3686, ce qui limite la quantité de texte que vous pouvez synthétiser en une seule requête. Le choix des voix est large : le modèle est livré avec un grand ensemble de voix nommées couvrant l'anglais américain, l'anglais britannique, l'espagnol, le français, l'hindi, l'italien, le japonais, le portugais et le chinois, avec des options féminines et masculines dans la plupart de ces langues. Des noms tels que af_heart, am_onyx, bf_emma, em_alex, jf_alpha et zf_xiaoxiao sont des exemples de cette liste.

Ces capacités renvoient à un ensemble d'usages assez spécifique. La narration et la voix off pour des articles, de la documentation ou des vidéos courtes conviennent bien, puisque vous pouvez choisir une voix qui correspond à la langue cible et au public. Les fonctionnalités d'accessibilité telles que la lecture de texte à voix haute dans une application, ou la génération de versions audio de contenu écrit, sont des cas d'usage naturels. Le travail de localisation bénéficie de l'ensemble de voix multilingues, vous permettant de produire le même script en plusieurs langues sans changer de fournisseur. Les agents conversationnels et les outils interactifs peuvent l'utiliser pour des réponses parlées, et comme le modèle est petit, il est un candidat raisonnable pour des déploiements auto-hébergés ou de type embarqué où un grand service TTS hébergé serait excessif.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "hexgrad/kokoro-82m". Comme l'interface suit le format OpenAI, les clients et SDK existants qui parlent déjà ce protocole peuvent pointer vers api14 avec des modifications minimales. Le modèle ne signale aucun paramètre de requête pris en charge au-delà des bases, donc prévoyez d'envoyer votre texte et la voix choisie plutôt que de compter sur des réglages comme temperature ou top_p. Consultez le tableau des prix en direct sur la page pour les tarifs actuels.

La principale contrainte à garder à l'esprit est la portée. Il s'agit d'un modèle de synthèse vocale, pas d'un modèle de chat ou de raisonnement, donc des tâches comme le résumé, la traduction ou la réponse aux questions relèvent plutôt d'un modèle de texte. Le contexte de 4096 tokens et le plafond de sortie de 3686 tokens signifient aussi que les documents longs doivent être découpés en morceaux avant la synthèse. Si vous avez besoin de reconnaissance vocale plutôt que de synthèse vocale, ou d'un modèle qui gère la compréhension audio, cherchez ailleurs.