hexgrad: Kokoro 82M

hexgrad: Kokoro 82M är en lättviktig text-till-tal-modell med öppna vikter från hexgrad. Den tillhör kategorin tal, så dess uppgift är snäv och tydlig: omvandla skriven text till talat ljud. Eftersom vikterna är öppna kan du resonera mer fritt kring distribution och hosting än med en stängd hostad rösttjänst, och parameterantalet på 82M signalerar en liten modell snarare än en stor allmän modell.

Modellen tar text som enda indata och returnerar tal som enda utdata. Den har ett kontextfönster på 4096 tokens och en maximal utdata på 3686, vilket begränsar hur mycket text du kan syntetisera i en enskild begäran. Röstvalet är brett: modellen levereras med en stor uppsättning namngivna röster som täcker amerikansk engelska, brittisk engelska, spanska, franska, hindi, italienska, japanska, portugisiska och kinesiska, med både kvinnliga och manliga alternativ i de flesta av dessa språk. Namn som af_heart, am_onyx, bf_emma, em_alex, jf_alpha och zf_xiaoxiao är exempel från den listan.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsområden. Berättarröst och voiceover för artiklar, dokumentation eller korta videor passar bra, eftersom du kan välja en röst som matchar målspråket och publiken. Tillgänglighetsfunktioner som att läsa upp text i en app, eller generera ljudversioner av skrivet innehåll, passar naturligt. Lokaliseringsarbete drar nytta av röstuppsättningen för flera språk, vilket låter dig producera samma manus på flera språk utan att byta leverantör. Konversationsagenter och interaktiva verktyg kan använda den för talade svar, och eftersom modellen är liten är den en rimlig kandidat för självhostade distributioner eller distributioner i enhetsstil där en stor hostad TTS-tjänst skulle vara överdriven.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "hexgrad/kokoro-82m". Eftersom gränssnittet följer OpenAI-formatet kan befintliga klienter och SDK:er som redan talar det protokollet peka mot api14 med minimala ändringar. Modellen rapporterar inga stödda begäranparametrar utöver grunderna, så räkna med att skicka din text och din valda röst i stället för att förlita dig på justeringsrattar som temperature eller top_p. Kontrollera den aktuella pristabellen på sidan för gällande priser.

Den främsta begränsningen att ha i åtanke är omfånget. Detta är en text-till-tal-modell, inte en chatt- eller resonemangsmodell, så uppgifter som sammanfattning, översättning eller frågebesvarande hör hemma hos en textmodell i stället. Kontexten på 4096 tokens och utdatataket på 3686 tokens innebär också att långa dokument behöver delas upp i bitar före syntes. Om du behöver tal till text i stället för text till tal, eller en modell som hanterar ljudförståelse, leta någon annanstans.