/ Модель

Характеристики

Размер весов
30,1 МБ
Лицензия
Apache 2.0
Опубликована
8 сен 2026

Kokoro-7M-Distill

Синтез речиТекст → аудио3 профессии

Компактная дистиллированная модель Kokoro для быстрого автономного синтеза английской речи из текста.

854скачиваний за 30 дней35лайковвеса обновлены16 сен 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-7M-Distill — англоязычная модель синтеза речи, созданная дистилляцией Kokoro-82M. Она содержит около 7,48 млн параметров, работает с фонемами и использует архитектуру Kokoro / StyleTTS2: 12 общих слоёв ALBERT, предсказатель просодии и декодер ISTFTNet. Модель выдаёт речь с частотой дискретизации 24 кГц и рассчитана на быстрый автономный запуск на CPU, в том числе на телефонах; в описанном сравнении она синтезировала речь в 4,1 раза быстрее версии на 82 млн параметров.

Модель предназначена для локального синтеза английской речи из текста, например для озвучивания коротких фраз без подключения к серверу. Доступен один голос. Лучше всего подходит для обычной прозы: пунктуация и необычное форматирование передаются фронтенду как есть и могут ухудшить результат. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание английских фраз на мобильном устройстве без интернета
  • локальное преобразование текста в речь на CPU
  • озвучивание коротких англоязычных сообщений и подсказок
  • синтез речи для приложений с ограниченными вычислительными ресурсами

Ограничения

Поддерживается только английский язык и один голос; качество лучше на обычной прозе, тогда как тяжёлая пунктуация и необычное форматирование могут ухудшить синтез.

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-7M-Distill

English text to speech in 7.48M parameters, 28.7 MB at full precision. Distilled from Kokoro-82M, which is 11x larger. Small enough to run on a phone, entirely offline, with no server in the loop.

parameters7,477,702
model file28.7 MB (fp32)
sample rate24 kHz
languageEnglish
licenseApache 2.0

Speed on CPU

Median real time factor over 24 sentences, both models on 4 CPU threads, no GPU. A phone class thread budget rather than a workstation. Text to phoneme conversion is excluded from the timing for both, since it is the same front end either way.

modelparamsRTFsynth time
Kokoro-7M-Distill7.48M0.02200.081 s
Kokoro-82M81.81M0.09020.327 s

That is 4.1x faster than the 82M and 45x faster than realtime: one second of speech in 22 ms.

Usage

from load_model import load
model, pipeline, voice = load()
audio = next(pipeline("Hello, this is a small English voice.", voice=voice))[2]  # 24 kHz

Use load_model.py rather than a bare from kokoro import KModel: this config sets the decoder's hidden_channels and out_channels, which upstream Kokoro hardcodes at 1024/512, so the stock package raises a TypeError on it. The patched package is vendored in kokoro_patched/ with its defaults unchanged, so the 82M teacher still loads through it untouched.

Use af_msa.pt, not af_heart.pt

The student is conditioned on a style pack, and it was distilled against af_msa.pt. load_model.py defaults to it. af_heart.pt is kept only so older code still runs; the model never saw it in training, and using it degrades both naturalness and intelligibility.

Architecture

Kokoro / StyleTTS2: a 12 layer ALBERT over phonemes, a prosody predictor for duration, pitch and energy, and an ISTFTNet decoder that ends in a 20 point inverse STFT rather than more convolution.

blockparams
decoder (ISTFTNet)4,062,450
prosody predictor2,219,572
plbert (12 shared layers)595,520
text encoder569,280
projection30,880

Two details carry most of the size saving. The 12 ALBERT layers share one parameter block, so depth costs 596K rather than 7M. And duration is predicted by summing 50 sigmoid gates per phoneme instead of regressing a number.

The same architecture is used by the Arabic Nabra-7M-Distill, so a change to the recipe can be tested once and read across both languages.

How it was distilled

The teacher emits the per phoneme durations that generated its own audio, so the student trains against an alignment that is correct by construction. That is what makes this architecture distillable at all.

Objective: multi resolution STFT, duration L1, log mel L1, a silence term, and WavLM feature matching, with multi period and multi resolution spectrogram discriminators. Two of those earn their place. The silence term exists because the small decoder floors at a noise level the teacher does not have, which is audible as a constant hiss and which a log magnitude loss barely penalises. The WavLM term exists because every other loss here is magnitude domain, so nothing else constrains phase, and without it the output stays subtly robotic.

Limitations

Single voice, English only. Best with ordinary prose; heavy punctuation and unusual formatting are passed to the front end as written.

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
9357717

0 моделей