/ Модель

Характеристики

Размер весов
381 МБ
Лицензия
Apache 2.0
Опубликована
22 июл 2026

Kokoro-82M-zh-MLX

Синтез речиТекст → аудио3 профессии

Модель 1038lab для локального синтеза китайской и английской речи на компьютерах Apple Silicon с несколькими голосами и ускорением MLX.

84скачиваний за 30 дней0лайковвеса обновлены27 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Kokoro-82M-zh-MLX — модель синтеза речи, подготовленная 1038lab на основе архитектуры Kokoro и голосовых эмбеддингов официальной модели kokoro-v1.1-zh от hexgrad. Она преобразует текст в речь и оптимизирована для локального запуска на компьютерах Apple Silicon с использованием MLX и Metal GPU. В карточке заявлены 103 голоса: китайские женские и мужские, а также английские; доступны настройка голоса и скорости, потоковая генерация и создание аудио быстрее реального времени в приведённых тестах на Mac серии M.

Модель предназначена для озвучивания китайского и английского текста, например для голосовых интерфейсов, аудиоматериалов и локальной генерации речи на Mac. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Размер параметров в предоставленных данных не подтверждён; обозначение 82M входит в название модели.

Сценарии применения

  • озвучивание китайского текста разными мужскими и женскими голосами
  • синтез английской речи для коротких сообщений и аудиоматериалов
  • генерация речи в локальных приложениях на Mac с Apple Silicon
  • потоковое озвучивание текста
  • настройка темпа речи и выбора голоса при синтезе

Ограничения

Оптимизирована для Apple Silicon и MLX, поэтому её применение на других аппаратных платформах может потребовать иного способа запуска. Заявленные показатели скорости приведены только для отдельных тестов на Mac серии M.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

1038lab / Kokoro-82M-zh-MLX

Kokoro-82M-zh-MLX is a fast, high-quality text-to-speech model optimized for Apple Silicon. Built on the official Kokoro architecture with native MLX inference — no GPU required on your Mac.

Features

🎙️ 103 Voices55 Chinese Female (zf_), 45 Chinese Male (zm_), 3 English (af_*)
🚀 Apple Silicon NativeRuns entirely on Metal GPU via MLX — up to 10× faster than CPU
🔊 High QualityBased on Kokoro v1.1-zh with 100+ hours of professional training data
📦 Zero DependenciesSingle model.safetensors + voices/*.safetensors, ready to use

Quick Start

from mlx_audio.tts.generate import load_model

m = load_model("1038lab/Kokoro-82M-zh-MLX")

results = list(m.generate(
    text="今天天气很好,一起去公园散步吧。",
    voice="zf_001",
    speed=1.0,
    lang_code="z"
))
from mlx_audio.audio_io import write as audio_write
audio_write("output.wav", results[0].audio, 24000, format="wav")

Installation

pip install misaki[zh] phonemizer-fork espeakng-loader mlx-audio

Usage

Speech Generation

from mlx_audio.tts.generate import load_model
from mlx_audio.audio_io import write as audio_write

m = load_model("1038lab/Kokoro-82M-zh-MLX")

# Chinese TTS (lang_code="z")
results = list(m.generate(
    text="你好世界,这是一段中文测试。",
    voice="zm_009",       # male voice
    speed=1.0,
    lang_code="z"         # "z"=Chinese, "a"=English
))
audio_write("output.wav", results[0].audio, 24000, format="wav")

# English TTS
results = list(m.generate(
    text="Hello world!",
    voice="af_heart",
    speed=1.0
))
audio_write("output.wav", results[0].audio, 24000, format="wav")

Streaming

results = list(m.generate(text="A long text here...", voice="zf_001", lang_code="z", streaming=True))
for chunk in results:
    if chunk.audio is not None:
        print(f"Chunk {chunk.segment_idx}: {len(chunk.audio)} samples")

Available Voices

Voice PrefixTypeCount
zf_Chinese Female55
zm_Chinese Male45
af_ / bf_English3

Parameters

ParameterDescriptionDefault
textInput textrequired
voiceVoice identifier"zf_001"
speedSpeed multiplier1.0
lang_codeLanguage ("z"=Chinese, "a"=English)auto-detect
streamingEnable streaming outputFalse

Performance

Benchmarked on M-series MacBook Pro:

TaskRTFLatency
zh zf_001, 5s text~0.07×~2.4s for 5s audio
en af_heart, 3s text~0.85×~2.5s for 3s audio

Lower RTF = faster. RTF < 1.0 means faster than real-time.

Audio Samples

Click any audio below to hear the voice quality:

Voice IDDemo TextAudio
zf_001 (Chinese Female)我现在正在使用最新的语音合成技术...▶
zm_009 (Chinese Male)我现在正在使用最新的语音合成技术测试男声效果...▶
af_heart (English)Hello! This is Heart speaking...▶

See samples/index.html for a full interactive voice index with all 15 demo voices.

License

This model is released under the Apache 2.0 License. The underlying model architecture is from hexgrad/Kokoro. The voice embeddings are converted from the official kokoro-v1.1-zh models.

Acknowledgements


1038lab / Kokoro-82M-zh-MLX

Kokoro-82M-zh-MLX 是一个专为 Apple Silicon (M1/M2/M3/M4) 优化的开源语音合成模型。基于原生 MLX 架构实现,无需额外 GPU 即可在 Mac 上快速运行。

功能特点

🎙️ 103 个声音55 个中文女声 (zf_)、45 个中文男声 (zm_)、3 个英文 (af_, bf_)
🚀 Apple Silicon 原生加速完全支持 Metal GPU — 比 CPU 快 10 倍以上
🔊 高质量语音基于 Kokoro v1.1-zh,100+ 小时专业训练数据
📦 开箱即用model.safetensors + voices/*.safetensors,无需复杂配置

快速开始

from mlx_audio.tts.generate import load_model

m = load_model("1038lab/Kokoro-82M-zh-MLX")

results = list(m.generate(
    text="今天天气很好,一起去公园散步吧。",
    voice="zf_001",
    speed=1.0,
    lang_code="z"
))
from mlx_audio.audio_io import write as audio_write
audio_write("output.wav", results[0].audio, 24000, format="wav")

安装依赖

pip install misaki[zh] phonemizer-fork espeakng-loader mlx-audio

使用说明

语音合成

from mlx_audio.tts.generate import load_model
from mlx_audio.audio_io import write as audio_write

m = load_model("1038lab/Kokoro-82M-zh-MLX")

# 中文发音
results = list(m.generate(
    text="你好世界,这是一段中文测试。",
    voice="zm_009",       # 男声
    speed=1.0,
    lang_code="z"         # 语言代码:"z"=中文, "a"=英文
))
audio_write("output.wav", results[0].audio, 24000, format="wav")

# 英文发音
results = list(m.generate(
    text="Hello world!",
    voice="af_heart",
    speed=1.0
))
audio_write("output.wav", results[0].audio, 24000, format="wav")

流式输出

results = list(m.generate(text="这是一段长文本...", voice="zf_001", lang_code="z", streaming=True))
for chunk in results:
    if chunk.audio is not None:
        print(f"音频块 {chunk.segment_idx}: {len(chunk.audio)} samples")

可用声音

声音前缀类型数量
zf_中文女声55
zm_中文男声45
af_ / bf_English3

参数说明

参数描述默认值
text要转换的文本必填
voice声音标识符"zf_001"
speed语速倍率1.0
lang_code语言 ("z"=中文, "a"=英文)自动检测
streaming是否启用流式输出False

性能表现

在 M 系列 MacBook Pro 上的实测结果:

任务RTF耗时
中文 zf_001,5s 文本~0.07×~2.4s 生成 5s 音频
英文 af_heart,3s 文本~0.85×~2.5s 生成 3s 音频

RTF 越小越快。RTF < 1.0 表示比实时更快。

示例音频

点击查看各个声音的演示音频:samples/index.html

声音 ID示范文本试听
zf_001 (中文女声)我现在正在使用最新的语音合成技术...▶
zm_009 (中文男声)我现在正在使用最新的语音合成技术测试男声效果...▶
af_heart (English)Hello! This is Heart speaking...▶

许可证

本项目基于 Apache 2.0 License 发布。底层模型架构来自 hexgrad/Kokoro。声音嵌入文件由官方 kokoro-v1.1-zh 模型转换而来。

致谢

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
4bd6c96

0 моделей