hexgrad: Kokoro 82M

hexgrad: Kokoro 82M は hexgrad による軽量なオープンウェイトのテキスト読み上げモデルです。音声カテゴリに属するため、その役割は狭く明確です。書かれたテキストを音声に変換します。ウェイトがオープンであるため、クローズドなホスト型音声サービスよりもデプロイとホスティングについて自由に検討できます。また、82M というパラメータ数は、大規模な汎用モデルではなく小規模なモデルであることを示しています。

このモデルはテキストのみを入力として受け取り、音声のみを出力として返します。コンテキストウィンドウは 4096 トークン、最大出力は 3686 で、1 回のリクエストで合成できるテキスト量が制限されます。音声の選択肢は幅広く、アメリカ英語、イギリス英語、スペイン語、フランス語、ヒンディー語、イタリア語、日本語、ポルトガル語、中国語をカバーする多数の名前付き音声が同梱されており、ほとんどの言語で女性と男性の両方のオプションがあります。af_heart、am_onyx、bf_emma、em_alex、jf_alpha、zf_xiaoxiao といった名前は、そのリストの例です。

これらの機能は、かなり特定の用途を示しています。記事、ドキュメント、短い動画のナレーションやボイスオーバーは、対象言語と聴衆に合った音声を選べるため、よく適合します。アプリ内でのテキストの読み上げや、書かれたコンテンツの音声版の生成といったアクセシビリティ機能も自然に適合します。ローカライゼーション作業は多言語の音声セットの恩恵を受け、プロバイダーを切り替えずに同じスクリプトを複数の言語で制作できます。会話エージェントやインタラクティブツールは音声応答にこれを使えます。また、モデルが小さいため、大規模なホスト型 TTS サービスでは過剰となるセルフホスト型またはオンデバイス型のデプロイの候補として妥当です。

これは api14 の OpenAI 互換 API を通じて、モデル id "hexgrad/kokoro-82m" を使って呼び出します。インターフェースが OpenAI 形式に従っているため、すでにそのプロトコルに対応している既存のクライアントや SDK は、最小限の変更で api14 を指すことができます。このモデルは基本的なもの以外にサポートされるリクエストパラメータを報告していないため、temperature や top_p のような調整ノブに頼るのではなく、テキストと選択した音声を送信することを前提にしてください。現在の料金については、ページ上のライブ価格表を確認してください。

留意すべき主な制約は範囲です。これはテキスト読み上げモデルであり、チャットや推論モデルではないため、要約、翻訳、質問応答といったタスクは代わりにテキストモデルに属します。4096 トークンのコンテキストと 3686 トークンの出力上限も、長いドキュメントは合成前にチャンクに分割する必要があることを意味します。テキスト読み上げではなく音声からテキストへの変換が必要な場合、または音声理解を扱うモデルが必要な場合は、別のものを探してください。