Характеристики

Размер весов: 324 МБ
Лицензия: Apache 2.0
Базовая модель: Kokoro-82M
Библиотека: coreml
Опубликована: 9 мар 2026

Ссылки

Kokoro-82M-CoreML

Синтез речиТекст → аудио3 профессии

Kokoro-82M CoreML — модель синтеза речи, представляющая собой CoreML-экспорт базовой модели hexgrad/Kokoro-82M, подготовленный разработчиком aufklarer для устройств Apple.

3 333скачиваний за 30 дней5лайковвеса обновлены19 апр 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

Она предназначена для локального преобразования текста в речь в приложениях на iOS и macOS, включая голосовые интерфейсы, озвучивание текста и другие сценарии on-device TTS. Для работы требуется iOS 18 или macOS 15 и новее, а интеграция рассчитана на использование CoreML и Apple Neural Engine.

Модель содержит 82 млн параметров, работает в формате FP16 и объединяет в одном вызове CoreML полный конвейер синтеза: BERT, предсказание длительности, выравнивание фиксированной формы, просодию и декодер. Максимальная длина генерируемого аудио составляет 5 секунд, поддерживается до 128 фонем за один проход, размерность стиля — 256, частота дискретизации — 24 кГц. Для преобразования графем в фонемы используются отдельные модели G2P Encoder и G2P Decoder. В комплект входят 54 предустановленных голосовых эмбеддинга для 10 языков и языковых вариантов: английского (US/UK), испанского, французского, хинди, итальянского, японского, корейского, португальского и китайского.

К сильным сторонам относятся единый end-to-end CoreML-конвейер, оптимизация под Apple Neural Engine и возможность локальной генерации речи без обращения к серверу. Ограничения включают зависимость от современных версий iOS и macOS, максимальную длительность одного прохода в 5 секунд, ограничение по числу фонем и крупный размер FP16-файла модели около 325 МБ. Модель и её CoreML-конверсия распространяются по лицензии Apache-2.0; словари и компоненты G2P также указаны как Apache-2.0.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kokoro-82M CoreML

End-to-end CoreML export of hexgrad/Kokoro-82M at FP16, optimized for Apple Neural Engine. Requires iOS 18+ / macOS 15+.

A single kokoro_5s.mlmodelc runs the full pipeline (BERT → duration prediction → fixed-shape alignment → prosody → decoder) in one CoreML call. G2P (grapheme-to-phoneme) is a separate pair of CoreML models.

Looking for a smaller variant? See aufklarer/Kokoro-82M-CoreML-INT8 — INT8 k-means palettized, 83 MB vs 325 MB here, with log-spec distance 0.42 vs this FP16 reference on a validation utterance.

Model

Parameter	Value
Parameters	82M
Precision	FP16
Max audio length	5 s (200 frames @ 40 fps)
Sample rate	24 kHz
Style dimension	256
Max phonemes per pass	128

Files

File	Size	Description
`kokoro_5s.mlmodelc`	325 MB	Pre-compiled E2E model (pre-compiled, loads directly on-device)
`G2PEncoder.mlmodelc`	0.7 MB	Grapheme-to-phoneme encoder
`G2PDecoder.mlmodelc`	0.8 MB	Grapheme-to-phoneme decoder
`voices/`	0.5 MB	54 preset voice embeddings (10 languages)
`vocab_index.json`	4 KB	Phoneme vocabulary
`g2p_vocab.json`	4 KB	G2P vocabulary
`us_gold.json`, `us_silver.json`	6 MB	English pronunciation dictionaries
`pipeline_config.json`	4 KB	Swift pipeline config

Voices

54 preset voices across 10 languages: English (US/UK), Spanish, French, Hindi, Italian, Japanese, Korean, Portuguese, Chinese.

Usage

Add speech-swift to Package.swift:

.package(url: "https://github.com/soniqo/speech-swift", branch: "main")

Then synthesize:

import KokoroTTS

let tts = try await KokoroTTSModel.fromPretrained(
    modelId: "aufklarer/Kokoro-82M-CoreML"
)
let audio = try await tts.synthesize(
    "Hello world, this is a Kokoro test.",
    voice: "af_heart"
)

CLI:

swift run audio kokoro "Hello world" --voice af_heart --output out.wav

Source

Base model: hexgrad/Kokoro-82M (Apache-2.0)
Dictionaries and G2P: Apache-2.0

License

Model weights: Apache-2.0
CoreML conversion: Apache-2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов: f8ff771