hexgrad: Kokoro 82M

hexgrad: Kokoro 82M é um modelo de texto para fala leve e de pesos abertos da hexgrad. Ele se situa na categoria de fala, então seu trabalho é restrito e claro: transformar texto escrito em áudio falado. Como os pesos são abertos, você pode raciocinar sobre implantação e hospedagem com mais liberdade do que com um serviço de voz hospedado e fechado, e a contagem de 82M parâmetros indica um modelo pequeno em vez de um modelo grande de propósito geral.

O modelo recebe texto como sua única entrada e retorna fala como sua única saída. Ele tem uma janela de contexto de 4096 tokens e uma saída máxima de 3686, o que limita quanto texto você pode sintetizar em uma única requisição. A seleção de vozes é ampla: o modelo vem com um grande conjunto de vozes nomeadas cobrindo inglês americano, inglês britânico, espanhol, francês, hindi, italiano, japonês, português e chinês, com opções femininas e masculinas na maioria desses idiomas. Nomes como af_heart, am_onyx, bf_emma, em_alex, jf_alpha e zf_xiaoxiao são exemplos dessa lista.

Essas capacidades apontam para um conjunto bastante específico de usos. Narração e voiceover para artigos, documentação ou vídeos curtos se encaixam bem, já que você pode escolher uma voz que corresponda ao idioma e ao público-alvo. Recursos de acessibilidade, como ler texto em voz alta em um aplicativo, ou gerar versões em áudio de conteúdo escrito, são usos naturais. O trabalho de localização se beneficia do conjunto de vozes multilíngue, permitindo produzir o mesmo roteiro em vários idiomas sem trocar de provedor. Agentes conversacionais e ferramentas interativas podem usá-lo para respostas faladas, e como o modelo é pequeno, ele é um candidato razoável para implantações auto-hospedadas ou no estilo em dispositivo, onde um grande serviço de TTS hospedado seria exagerado.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "hexgrad/kokoro-82m". Como a interface segue o formato OpenAI, clientes e SDKs existentes que já falam esse protocolo podem apontar para a api14 com mudanças mínimas. O modelo não reporta parâmetros de requisição suportados além do básico, então planeje enviar seu texto e a voz escolhida em vez de depender de ajustes como temperature ou top_p. Confira a tabela de preços ao vivo na página para tarifas atuais.

A principal restrição a ter em mente é o escopo. Este é um modelo de texto para fala, não um modelo de chat ou raciocínio, então tarefas como sumarização, tradução ou resposta a perguntas pertencem a um modelo de texto. O contexto de 4096 tokens e o teto de saída de 3686 tokens também significam que documentos longos precisam ser divididos em partes antes da síntese. Se você precisa de fala para texto em vez de texto para fala, ou de um modelo que lide com compreensão de áudio, procure em outro lugar.