hexgrad: Kokoro 82M

hexgrad: Kokoro 82M to lekki model zamiany tekstu na mowę o otwartych wagach od hexgrad. Należy do kategorii mowy, więc jego zadanie jest wąskie i jasne: zamienić pisany tekst na mówione audio. Ponieważ wagi są otwarte, możesz swobodniej rozważać wdrożenie i hosting niż w przypadku zamkniętej, hostowanej usługi głosowej, a liczba parametrów 82M wskazuje na mały model, a nie duży ogólnego przeznaczenia.

Model przyjmuje tekst jako jedyne wejście i zwraca mowę jako jedyne wyjście. Ma okno kontekstu wynoszące 4096 tokenów i maksymalne wyjście 3686, co ogranicza ilość tekstu, którą można zsyntetyzować w pojedynczym żądaniu. Wybór głosów jest szeroki: model jest dostarczany z dużym zestawem nazwanych głosów obejmujących amerykański angielski, brytyjski angielski, hiszpański, francuski, hindi, włoski, japoński, portugalski i chiński, z opcjami żeńskimi i męskimi w większości tych języków. Nazwy takie jak af_heart, am_onyx, bf_emma, em_alex, jf_alpha i zf_xiaoxiao to przykłady z tej listy.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Narracja i voiceover do artykułów, dokumentacji lub krótkich filmów pasują dobrze, ponieważ można wybrać głos odpowiadający językowi docelowemu i odbiorcom. Funkcje dostępności, takie jak czytanie tekstu na głos w aplikacji lub generowanie wersji audio treści pisanych, są naturalnym zastosowaniem. Prace lokalizacyjne korzystają z wielojęzycznego zestawu głosów, pozwalając tworzyć ten sam scenariusz w kilku językach bez zmiany dostawcy. Agenci konwersacyjni i narzędzia interaktywne mogą go używać do odpowiedzi mówionych, a ponieważ model jest mały, jest rozsądnym kandydatem do wdrożeń typu self-hosted lub na urządzeniu, gdzie duża hostowana usługa TTS byłaby przesadą.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "hexgrad/kokoro-82m". Ponieważ interfejs jest zgodny z formatem OpenAI, istniejące klienty i SDK, które już obsługują ten protokół, mogą wskazywać na api14 przy minimalnych zmianach. Model nie zgłasza żadnych obsługiwanych parametrów żądania poza podstawowymi, więc planuj wysyłanie tekstu i wybranego głosu, zamiast polegać na parametrach dostrajających, takich jak temperature lub top_p. Sprawdź aktualną tabelę cen na stronie, aby poznać bieżące stawki.

Głównym ograniczeniem, o którym należy pamiętać, jest zakres. To model zamiany tekstu na mowę, a nie model czatu ani rozumowania, więc zadania takie jak streszczanie, tłumaczenie lub odpowiadanie na pytania należą do modelu tekstowego. Okno kontekstu 4096 tokenów i limit wyjścia 3686 tokenów oznaczają również, że długie dokumenty trzeba podzielić na fragmenty przed syntezą. Jeśli potrzebujesz zamiany mowy na tekst, a nie tekstu na mowę, lub modelu obsługującego rozumienie audio, poszukaj gdzie indziej.