/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Kokoro-82M
Опубликована
19 июл 2026

Kokoro-82M-v1.1-zh

Синтез речиТекст → аудио

Производная модели hexgrad/Kokoro-82M-v1.1-zh. Компактная модель Kokoro на 82 млн параметров преобразует китайский и английский текст в речь с несколькими голосами.

6скачиваний за 30 дней0лайковвеса обновлены19 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

Карточка модели CupOfHot/Kokoro-82M-v1.1-zh на Hugging Face совпадает с карточкой hexgrad/Kokoro-82M-v1.1-zh, поэтому описание составлено по ней.

Kokoro-82M-v1.1-zh — компактная модель синтеза речи из серии Kokoro, обученная Hexgrad на базе hexgrad/Kokoro-82M. Короткий дополнительный этап обучения добавил данные более чем о 100 китайских дикторах из профессионального набора и три часа синтетических английских записей. Модель содержит 82 млн параметров и построена на архитектуре StyleTTS 2 с ISTFTNet; это декодер без диффузии.

Модель предназначена для преобразования текста в речь на китайском и английском языках, в том числе с выбором голоса из доступных. В README указано 103 голоса и приведены примеры генерации аудио с частотой 24 кГц. Выпуск опубликован для сбора отзывов о новых голосах и токенизации и не является безусловным улучшением предыдущей версии: часть прежних голосов в нём отсутствует.

Модель распространяется по лицензии Apache 2.0. Карточка описывает ограниченный состав обучающих данных и ранний выпуск; качество и покрытие отдельных голосов могут отличаться.

Сценарии применения

  • озвучивание китайского текста
  • синтез английской речи с американским или британским голосом
  • создание голосовых примеров для приложений
  • локальная генерация речи из текста

Ограничения

Это ранний выпуск для сбора отзывов, а не гарантированное улучшение предыдущей версии; часть прежних голосов исключена. Для этого этапа обучения использованы китайские данные и небольшой объём синтетических английских записей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🐈 GitHub: https://github.com/hexgrad/kokoro

Kokoro is an open-weight series of small but powerful TTS models.

This model is the result of a short training run that added 100 Chinese speakers from a professional dataset. The Chinese data was freely and permissively granted to us by LongMaoData, a professional dataset company. Thank you for making this model possible.

Separately, some crowdsourced synthetic English data also entered the training mix:[1]

  • 1 hour of Maple, an American female.
  • 1 hour of Sol, another American female.
  • And 1 hour of Vale, an older British female.

This model is not a strict upgrade over its predecessor since it drops many voices, but it is released early to gather feedback on new voices and tokenization. Aside from the Chinese dataset and the 3 hours of English, the rest of the data was left behind for this training run. The goal is to push the model series forward and ultimately restore some of the voices that were left behind.

Current guidance from the U.S. Copyright Office indicates that synthetic data generally does not qualify for copyright protection. Since this synthetic data is crowdsourced, the model trainer is not bound by any Terms of Service. This Apache licensed model also aligns with OpenAI's stated mission of broadly distributing the benefits of AI. If you would like to help further that mission, consider contributing permissive audio data to the cause.

[1] LongMaoData had no involvement in the crowdsourced synthetic English data. [2] The following Chinese text is machine-translated.

Kokoro 是一系列体积虽小但功能强大的 TTS 模型。

该模型是经过短期训练的结果,从专业数据集中添加了100名中文使用者。中文数据由专业数据集公司「龙猫数据」免费且无偿地提供给我们。感谢你们让这个模型成为可能。

另外,一些众包合成英语数据也进入了训练组合:

  • 1小时的 Maple,美国女性。
  • 1小时的 Sol,另一位美国女性。
  • 和1小时的 Vale,一位年长的英国女性。

由于该模型删除了许多声音,因此它并不是对其前身的严格升级,但它提前发布以收集有关新声音和标记化的反馈。除了中文数据集和3小时的英语之外,其余数据都留在本次训练中。目标是推动模型系列的发展,并最终恢复一些被遗留的声音。

美国版权局目前的指导表明,合成数据通常不符合版权保护的资格。由于这些合成数据是众包的,因此模型训练师不受任何服务条款的约束。该 Apache 许可模式也符合 OpenAI 所宣称的广泛传播 AI 优势的使命。如果您愿意帮助进一步完成这一使命,请考虑为此贡献许可的音频数据。

Releases

ModelPublishedTraining DataLangs & VoicesSHA256
v1.1-zh2025 Feb 26>100 hours2 & 103b1d8410f
v1.02025 Jan 27Few hundred hrs8 & 54496dba11
v0.192024 Dec 25<100 hrs1 & 103b0c392f
Training Costsv0.19v1.0v1.1-zhTotal
in A100 80GB GPU hours5005001201120
average hourly rate$0.80/h$1.20/h$0.90/h
in USD$400$600$110$1110

Usage

You can run this cell on Google Colab.

!pip install -q kokoro>=0.8.2 "misaki[zh]>=0.8.2" soundfile
!apt-get -qq -y install espeak-ng > /dev/null 2>&1
from IPython.display import display, Audio

!wget https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh/resolve/main/samples/make_en.py
!python make_en.py
display(Audio('HEARME_en.wav', rate=24000, autoplay=True))

!wget https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh/resolve/main/samples/make_zh.py
!python make_zh.py
display(Audio('HEARME_zf_001.wav', rate=24000, autoplay=False))

TODO: Improve usage. Similar to https://hf.co/hexgrad/Kokoro-82M#usage but you should pass repo_id='hexgrad/Kokoro-82M-v1.1-zh' when constructing a KModel or KPipeline. See make_en.py and make_zh.py.

Model Facts

Architecture:

Architected by: Li et al @ https://github.com/yl4579/StyleTTS2

Trained by: @rzvzn on Discord

Languages: English, Chinese

Model SHA256 Hash: b1d8410fa44dfb5c15471fd6c4225ea6b4e9ac7fa03c98e8bea47a9928476e2b

Acknowledgements

TODO: Write acknowledgements. Similar to https://hf.co/hexgrad/Kokoro-82M#acknowledgements

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
0d20cae

0 моделей