hexgrad: Kokoro 82M

hexgrad: Kokoro 82M è un modello text-to-speech leggero e a pesi aperti di hexgrad. Si colloca nella categoria speech, quindi il suo compito è ristretto e chiaro: trasformare testo scritto in audio parlato. Poiché i pesi sono aperti, puoi ragionare sul deployment e sull'hosting più liberamente rispetto a un servizio vocale ospitato e chiuso, e il conteggio di 82M parametri segnala un modello piccolo anziché uno grande di uso generale.

Il modello prende il testo come unico input e restituisce parlato come unico output. Ha una finestra di contesto di 4096 token e un output massimo di 3686, il che limita quanto testo puoi sintetizzare in una singola richiesta. La selezione delle voci è ampia: il modello viene fornito con un grande insieme di voci denominate che coprono inglese americano, inglese britannico, spagnolo, francese, hindi, italiano, giapponese, portoghese e cinese, con opzioni sia femminili sia maschili nella maggior parte di queste lingue. Nomi come af_heart, am_onyx, bf_emma, em_alex, jf_alpha e zf_xiaoxiao sono esempi da quell'elenco.

Queste capacità indicano un insieme di usi piuttosto specifico. La narrazione e la voce fuori campo per articoli, documentazione o video brevi si adattano bene, poiché puoi scegliere una voce che corrisponda alla lingua di destinazione e al pubblico. Funzionalità di accessibilità come la lettura ad alta voce del testo in un'app, o la generazione di versioni audio di contenuti scritti, sono applicazioni naturali. Il lavoro di localizzazione trae vantaggio dall'insieme multilingue di voci, permettendoti di produrre lo stesso copione in diverse lingue senza cambiare provider. Agenti conversazionali e strumenti interattivi possono usarlo per risposte parlate, e poiché il modello è piccolo, è un candidato ragionevole per deployment self-hosted o in stile on-device dove un grande servizio TTS ospitato sarebbe eccessivo.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id del modello "hexgrad/kokoro-82m". Poiché l'interfaccia segue il formato OpenAI, i client e gli SDK esistenti che già parlano quel protocollo possono puntare ad api14 con modifiche minime. Il modello non riporta parametri di richiesta supportati oltre a quelli di base, quindi prevedi di inviare il tuo testo e la voce scelta anziché affidarti a manopole di regolazione come temperature o top_p. Controlla la tabella dei prezzi live sulla pagina per le tariffe correnti.

Il vincolo principale da tenere a mente è l'ambito. Questo è un modello text-to-speech, non un modello di chat o di ragionamento, quindi attività come riassunto, traduzione o risposta a domande appartengono invece a un modello di testo. Il contesto di 4096 token e il tetto di output di 3686 token significano anche che i documenti lunghi devono essere suddivisi in blocchi prima della sintesi. Se ti serve speech-to-text anziché text-to-speech, o un modello che gestisca la comprensione audio, cerca altrove.