/ Модель

Характеристики

Размер весов
3,7 МБ
Лицензия
Apache 2.0
Библиотека
ggml
Опубликована
1 мая 2026

kokoro-voices-GGUF

Синтез речиТекст → аудио3 профессии

Набор компактных голосовых стилей Kokoro в формате GGUF для синтеза речи вместе с основной моделью Kokoro.

3 463скачиваний за 30 дней3лайкавеса обновлены3 авг 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

Это набор голосовых стилей для синтеза речи Kokoro-82M, собранный и преобразованный в формат GGUF проектом CrispStrobe для использования с CrispASR. Репозиторий содержит отдельные компактные пакеты голосов: каждый хранит стиль одного диктора в тензоре F32 и занимает около 510 КБ. Для генерации речи пакет загружается вместе с основной моделью Kokoro; сам по себе он не является полноценной моделью синтеза.

Пакеты предназначены для озвучивания текста голосами на английском, испанском, французском и немецком языках. В README описаны официальные голоса Kokoro, восстановленные немецкие голоса и голоса kikiri-tts; для немецкого предусмотрен порядок выбора голосов, а для языков без собственного пакета указан резервный голос. Репозиторий лицензирован по Apache-2.0. Некоторые немецкие пакеты основаны на записях реальных дикторов; README описывает голосовые раскрытия для таких пакетов.

Сценарии применения

  • озвучивание английского текста голосом af_heart
  • синтез испанской речи голосом ef_dora
  • озвучивание французского текста голосом ff_siwis
  • генерация немецкой речи с выбором немецкого голоса
  • подключение голосового пакета Kokoro в CrispASR

Ограничения

Это набор голосовых пакетов, а не самостоятельная модель: для синтеза требуется совместимая основная модель Kokoro и runtime CrispASR. Для языков без собственного голосового пакета применяется резервный голос; некоторые немецкие пакеты воспроизводят голоса реальных дикторов.

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

Kokoro voices — GGUF bundle

Per-speaker style packs for the Kokoro-82M family, converted to ggml's GGUF voice-pack format (arch=kokoro-voice, single F32 tensor voice.pack[max_phon, 1, 256]). For use with CrispStrobe/CrispASR alongside cstr/kokoro-82m-GGUF or the German backbone cstr/kokoro-de-hui-base-GGUF.

Each voicepack is ~510 KB. Loading is direct passthrough — no quantisation needed at this size.

Voices

FileSpeakerLanguageSourceLicense
kokoro-voice-af_heart.ggufaf_heartEnglish (US, F)hexgrad/Kokoro-82M voices/af_heart.ptApache-2.0
kokoro-voice-ef_dora.ggufef_doraSpanish (F)hexgrad/Kokoro-82M voices/ef_dora.ptApache-2.0
kokoro-voice-ff_siwis.ggufff_siwisFrench (F)hexgrad/Kokoro-82M voices/ff_siwis.ptApache-2.0
kokoro-voice-df_eva.ggufdf_evaGerman (F)recovered from r1di/kokoro-fastapi-german Git LFS (originally Tundragoon)Apache-2.0
kokoro-voice-dm_bernd.ggufdm_berndGerman (M)recovered from r1di/kokoro-fastapi-german Git LFS (originally Tundragoon)Apache-2.0
kokoro-voice-df_victoria.ggufdf_victoriaGerman (F)kikiri-tts/kikiri-german-victoria voices/victoria.ptApache-2.0
kokoro-voice-dm_martin.ggufdm_martinGerman (M)kikiri-tts/kikiri-german-martin voices/martin.ptApache-2.0

The Tundragoon voicepacks are [512, 1, 256] F32 (max_phon=512); the official Kokoro and kikiri voicepacks are [510, 1, 256] F32 (max_phon=510). The voice loader reads max_phon from the file so both layouts work transparently.

German voice cascade

When CrispASR is invoked with -l de (or any de_* / de-* locale) and no explicit --voice, it picks German voicepacks in this order:

  1. df_victoria — kikiri-tts, in-distribution to the dida-80b German backbone (recommended)
  2. df_eva — Tundragoon recovery, second-tier German speaker
  3. ff_siwis — French baseline, last-resort non-silence fallback

Languages without a native pack (ru, ko, ar, …) fall back to ff_siwis. See cstr/kokoro-de-hui-base-GGUF for the matching German backbone.

Quality (ASR roundtrip)

Long German phrase ("Guten Tag, dies ist ein Test des deutschen Phonemizers."), parakeet-tdt-0.6b-v3 -l de, dida-80b backbone F16:

VoiceParakeet output
dm_martin"...Phonemizers." (perfect)
df_victoria"...Tester des Deutschen Phonemizers." (1 word-boundary err)
dm_bernd"...Phonemetzers." (1 phoneme err)
df_eva"...Phonemetzes." (1 phoneme err)

All four clear the energy gate (peak ≥ 8000, RMS ≥ 1000); two are word-perfect on a phrase the official English-trained Kokoro-82M with af_heart collapses to silence on.

Quick start

huggingface-cli download cstr/kokoro-voices-GGUF kokoro-voice-af_heart.gguf --local-dir .
huggingface-cli download cstr/kokoro-82m-GGUF    kokoro-82m-q8_0.gguf       --local-dir .

./crispasr --backend kokoro \
    -m kokoro-82m-q8_0.gguf \
    --voice kokoro-voice-af_heart.gguf \
    --tts "Hello world" --tts-output hello.wav

Conversion

python models/convert-kokoro-voice-to-gguf.py \
    --input voices/af_heart.pt \
    --output kokoro-voice-af_heart.gguf

Attribution

Voice provenance (EU AI Act Art. 50(4))

Whose voice a pack reproduces is decided per pack, not by the backbone — a kokoro model is a base model, not a voice.

Packspeaker_identityEvidence
df_eva, dm_berndreal_personPer-speaker style packs from HUI-Audio-Corpus-German, carrying the narrators' own names. HUI is built from librivox.org recordings, so Eva and Bernd are real volunteers.
df_victoria, dm_martinsynthetickikiri fine-tunes over kikiri-german-base-51speakers-synthetic, whose card states: "Trained entirely on synthetic (TTS-generated) audio". The speaker labels are person-shaped, but the base's training data is the evidence, not the name.
af_heart, ef_dora, ff_siwissynthetichexgrad's shipped style vectors — designed/blended, not any one person.

Synthesizing with df_eva or dm_bernd prepends a spoken AI disclosure: audio resembling an identifiable person is a deep fake under Art. 3(60) whether or not any cloning took place. It does not require --i-have-rights — the donor's agreement to the training is a licensing matter settled upstream, which a downstream operator cannot attest to.

Note the German cascade crosses this boundary. The documented fallback order is df_victoria → df_eva → ff_siwis, so a missing default silently moves you from a synthetic voice to a real HUI narrator. That is exactly why the disclosure follows the pack rather than the run.

Override per run with --speaker-identity, or stamp a pack permanently with models/stamp-speaker-identity.py. See docs/eu-ai-act.md §6.2a.

License

Apache-2.0 across the bundle, matching every upstream source.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
1c98db1

0 моделей