Kokoro TTS

Führe Kokoro TTS aus — ein ultraleichtes Text-to-Speech-Modell mit 82M Parametern auf Clore.ai-GPUs.

Kokoro ist ein Text-to-Speech-Modell mit 82 Mio. Parametern, das weit über seiner Gewichtsklasse schlägt. Trotz seiner winzigen Größe (unter 2 GB VRAM) erzeugt es bemerkenswert natürliche englische Sprache und läuft selbst auf günstiger Hardware in Echtzeit oder noch schneller. Mit Apache-2.0-Lizenz, mehreren integrierten Sprachstilen und Unterstützung für CPU-Inferenz ist Kokoro ideal für Echtzeitanwendungen, Chatbots und Edge-Deployments.

HuggingFace: hexgrad/Kokoro-82M PyPI: kokoro Lizenz: Apache 2.0

Hauptfunktionen

• 82 Mio. Parameter — eines der kleinsten hochwertigen TTS-Modelle, die verfügbar sind

• < 2 GB VRAM — läuft auf praktisch jeder GPU und sogar auf der CPU

• Mehrere Sprachstile — amerikanisches Englisch, britisches Englisch; männliche und weibliche Stimmen

• Echtzeit oder schneller — Inferenz mit geringer Latenz, geeignet für Streaming

• Streaming-Generierung — gibt Audioschnipsel aus, sobald sie erzeugt werden

• Unterstützung für mehrere Sprachen — Englisch (primär), Japanisch (misaki[ja]), Chinesisch (misaki[zh])

• Apache 2.0 — kostenlos für private und kommerzielle Nutzung

Anforderungen

Komponente	Minimum	Empfohlen
GPU	Jeder mit 2 GB VRAM	RTX 3060
VRAM	2 GB	4 GB
RAM	4 GB	8 GB
Festplatte	500 MB	1 GB
Python	3.9+	3.11
System	espeak-ng installiert	—

Clore.ai-Empfehlung: Eine RTX 3060 ($0,03–0,07/Stunde) ist mehr als ausreichend. Kokoro kann sogar auf CPU-only-Instanzen laufen und ist damit extrem kosteneffizient für TTS.

Installation

# Systemabhängigkeit installieren
apt-get install -y espeak-ng

# Kokoro und Audio-E/A installieren
pip install kokoro>=0.9.4 soundfile torch

# Für japanische Unterstützung (optional)
pip install misaki[ja]

# Für chinesische Unterstützung (optional)
pip install misaki[zh]

# Prüfen
python -c "from kokoro import KPipeline; print('Kokoro bereit')"

Schnellstart

from kokoro import KPipeline
import soundfile as sf

# Pipeline initialisieren
# 'a' = amerikanisches Englisch, 'b' = britisches Englisch
pipeline = KPipeline(lang_code='a')

text = """
Kokoro ist ein leichtgewichtiges Text-to-Speech-Modell mit nur zweiundachtzig Millionen
Parametern. Trotz seiner geringen Größe erzeugt es natürliche und ausdrucksstarke Sprache.
"""

# Audio erzeugen — Sprachoptionen: af_heart, af_bella, af_nicole, af_sarah, af_sky,
#                                  am_adam, am_michael, bf_emma, bf_isabella, bm_george, bm_lewis
generator = pipeline(text, voice='af_heart', speed=1.0)

for i, (graphemes, phonemes, audio) in enumerate(generator):
    sf.write(f'output_{i}.wav', audio, 24000)
    print(f"Chunk {i}: {graphemes[:50]}...")

print("Fertig!")

Anwendungsbeispiele

Mehrere Stimmen vergleichen

Erzeugen Sie denselben Text mit verschiedenen Stimmen, um sie zu vergleichen:

from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code='a')

text = "Willkommen bei Clore.ai, dem Peer-to-Peer-GPU-Marktplatz."

voices = ['af_heart', 'af_bella', 'am_adam', 'am_michael']

for voice in voices:
    generator = pipeline(text, voice=voice, speed=1.0)
    for i, (gs, ps, audio) in enumerate(generator):
        sf.write(f'{voice}_{i}.wav', audio, 24000)
    print(f"Generiert: {voice}")

Britisches Englisch mit Geschwindigkeitssteuerung

from kokoro import KPipeline
import soundfile as sf

# 'b' = britisches Englisch
pipeline = KPipeline(lang_code='b')

text = "Guten Nachmittag. Dies ist eine Demonstration der Synthese in britischem Englisch."

# speed < 1.0 = langsamer, speed > 1.0 = schneller
generator = pipeline(text, voice='bf_emma', speed=0.85)

all_audio = []
for gs, ps, audio in generator:
    all_audio.append(audio)

import numpy as np
combined = np.concatenate(all_audio)
sf.write('british_slow.wav', combined, 24000)
print(f"Gesamtdauer: {len(combined)/24000:.1f}s")

Stapelverarbeitung von Dateien

Verarbeiten Sie mehrere Texte und fügen Sie sie zu einer einzelnen Datei im Hörbuch-Stil zusammen:

from kokoro import KPipeline
import soundfile as sf
import numpy as np

pipeline = KPipeline(lang_code='a')

chapters = [
    "Kapitel eins. Der Anfang unserer Reise beginnt hier.",
    "Die Sonne ging über den Bergen auf und warf lange Schatten über das Tal.",
    "Sie öffnete die Tür und trat ins Unbekannte.",
]

all_audio = []
silence = np.zeros(int(24000 * 0.5))  # 0,5 s Stille zwischen den Kapiteln

for idx, text in enumerate(chapters):
    for gs, ps, audio in pipeline(text, voice='af_bella', speed=1.0):
        all_audio.append(audio)
    all_audio.append(silence)
    print(f"Kapitel {idx+1} fertig")

combined = np.concatenate(all_audio)
sf.write('audiobook.wav', combined, 24000)
print(f"Gesamt: {len(combined)/24000:.1f}s")

Tipps für Clore.ai-Nutzer

• CPU-Inferenz — Kokoro ist klein genug, um auf der CPU zu laufen; nützlich für kostensensible Workloads oder wenn keine GPUs verfügbar sind

• Streaming — der Generator gibt Audioschnipsel aus, sobald sie erzeugt werden, und ermöglicht so Echtzeitwiedergabe in Web-Apps

• Mit WhisperX kombinieren — verwenden Sie WhisperX für die Transkription und Kokoro für die Neusynthese in Sprachpipelines

• Docker — verwenden Sie pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime und füge apt-get install -y espeak-ng für Ihr Startup

• Stimmkonsistenz — verwenden Sie pro Projekt eine einzige Stimm-ID, um ein konsistentes Erzählererlebnis zu gewährleisten

• Kosteneffizienz — mit $0,03–0,07/Stunde auf einer RTX 3060 ist Kokoro eine der günstigsten TTS-Lösungen zum Selbsthosten

Fehlerbehebung

Problem	Lösung
espeak-ng nicht gefunden	Ausführen apt-get install -y espeak-ng (erforderliche Systemabhängigkeit)
ModuleNotFoundError: kokoro	Installieren mit pip install kokoro>=0.9.4 soundfile
Audio klingt roboterhaft	Probieren Sie eine andere Stimme aus (z. B. af_heart klingt meist am natürlichsten)
Japanisch/Chinesisch funktioniert nicht	Sprach-Extras installieren: pip install misaki[ja] oder misaki[zh]
Zu wenig Speicher auf der CPU	Reduzieren Sie die Textlänge pro Aufruf; Kokoro streamt die Chunks, sodass der Speicherverbrauch begrenzt bleibt
Langsamer erster Lauf	Die Modellgewichte werden bei der ersten Verwendung heruntergeladen (~200 MB); nachfolgende Ausführungen sind sofortig