hexgrad: Kokoro 82M

hexgrad: Kokoro 82M adalah model text-to-speech berbobot terbuka yang ringan dari hexgrad. Model ini berada di kategori speech, jadi tugasnya sempit dan jelas: mengubah teks tertulis menjadi audio yang diucapkan. Karena bobotnya terbuka, Anda dapat mempertimbangkan deployment dan hosting dengan lebih bebas dibandingkan dengan layanan suara hosted yang tertutup, dan jumlah parameter 82M menandakan model kecil, bukan model general purpose yang besar.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan speech sebagai satu-satunya output. Model ini memiliki context window 4096 token dan output maksimum 3686, yang membatasi seberapa banyak teks yang dapat Anda sintesis dalam satu permintaan. Pilihan suara sangat luas: model ini hadir dengan banyak suara bernama yang mencakup American English, British English, Spanish, French, Hindi, Italian, Japanese, Portuguese dan Chinese, dengan opsi female dan male di sebagian besar bahasa tersebut. Nama seperti af_heart, am_onyx, bf_emma, em_alex, jf_alpha dan zf_xiaoxiao adalah contoh dari daftar tersebut.

Kemampuan tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Narasi dan voiceover untuk artikel, dokumentasi atau video pendek sangat cocok, karena Anda dapat memilih suara yang sesuai dengan bahasa target dan audiens. Fitur aksesibilitas seperti membacakan teks dengan lantang di dalam aplikasi, atau menghasilkan versi audio dari konten tertulis, juga cocok secara alami. Pekerjaan lokalisasi mendapat manfaat dari kumpulan suara multi-bahasa, memungkinkan Anda menghasilkan skrip yang sama dalam beberapa bahasa tanpa berpindah provider. Agen percakapan dan alat interaktif dapat menggunakannya untuk balasan lisan, dan karena model ini kecil, model ini menjadi kandidat yang wajar untuk deployment bergaya self-hosted atau on-device di mana layanan TTS hosted yang besar akan berlebihan.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "hexgrad/kokoro-82m". Karena antarmukanya mengikuti format OpenAI, klien dan SDK yang sudah ada yang sudah mendukung protokol tersebut dapat diarahkan ke api14 dengan perubahan minimal. Model ini melaporkan tidak ada parameter permintaan yang didukung di luar dasar, jadi rencanakan untuk mengirim teks Anda dan suara pilihan Anda daripada mengandalkan tombol penyetelan seperti temperature atau top_p. Periksa tabel harga langsung di halaman untuk tarif terkini.

Batasan utama yang perlu diingat adalah cakupannya. Ini adalah model text-to-speech, bukan model chat atau reasoning, jadi tugas seperti peringkasan, penerjemahan atau menjawab pertanyaan lebih tepat ditangani dengan model teks. Context 4096 token dan batas output 3686 token juga berarti dokumen panjang perlu dipecah menjadi beberapa bagian sebelum sintesis. Jika Anda membutuhkan speech to text, bukan text to speech, atau model yang menangani pemahaman audio, carilah di tempat lain.