Kokoro 82M es el modelo de conversión de texto a voz con pesos abiertos de hexgrad y tiene ochenta y dos millones de parámetros. Su ficha de modelo describe una arquitectura compacta de solo decodificador, basada en StyleTTS 2 e iSTFTNet. El texto escrito se convierte en información de pronunciación y después en voz con el hablante seleccionado. La versión documentada v1.0 ofrece cincuenta y cuatro voces en ocho idiomas; ese perfil es distinto del de la versión anterior v0.19, que solo admite inglés.
El catálogo de voces abarca inglés estadounidense y británico, japonés, chino mandarín, español, francés, hindi, italiano y portugués brasileño. Los dos acentos ingleses son variantes de un mismo idioma. Los nombres de voz y las opciones de idioma van unidos: af_heart es un ejemplo de inglés estadounidense en el flujo oficial, mientras que el catálogo tiene grupos separados para los demás idiomas y acentos.
Elige el hablante teniendo en cuenta el material real que leerá. La narración de un curso corto puede utilizar una misma voz predefinida en todas sus secciones; una colección multilingüe puede seleccionar una voz de cada grupo de idioma necesario. La cobertura del catálogo difiere entre grupos. El francés, por ejemplo, está representado por una voz enumerada, en lugar de la selección más amplia disponible para el inglés.
El flujo de referencia de Kokoro convierte las formas escritas en fonemas. Sus ejemplos permiten indicar una lectura fonética explícita para un término, de modo que un nombre difícil pueda prepararse en vez de dejarse a una grafía ambigua. Mantén natural la frase que lo rodea y conserva las palabras que debe oír el público.
Un pasaje práctico es: «La guía tiene tres partes. Primero, elige el material. Después, compara los ejemplos. Por último, guarda la versión que quieres utilizar». Escribe frases completas y conserva las pausas que sugiere la puntuación. Para una pieza larga, organiza la entrada en párrafos coherentes en vez de tratar todo el documento como una sola intervención ininterrumpida.
La guía de voces indica que muchos hablantes funcionan mejor con pasajes de unos 100–200 tokens dentro de un tramo de aproximadamente 500 tokens. Señala debilidades en intervenciones muy cortas, sobre todo por debajo de 10–20 tokens, y una tendencia a acelerar los pasajes más largos, especialmente por encima de 400 tokens. Son observaciones de preparación basadas en tokens, no límites de número de palabras ni de duración de grabación. Combinar fragmentos cortos o dividir un pasaje largo puede proporcionar una unidad de habla más adecuada.
El flujo oficial devuelve el texto procesado, los fonemas y un resultado de audio para cada segmento generado. Guarda esos segmentos como WAV a 24.000 Hz y ofrece una opción de velocidad en el flujo de referencia. Mantén asociados al audio el texto de cada segmento y su orden para que la narración reunida siga el guion previsto.
Una comprobación de edición útil consiste en escuchar el límite entre dos pasajes y después revisar los nombres recurrentes y el ritmo de las listas. La salida de audio y la vista de fonemas tienen finalidades diferentes: una es la grabación que oye el público y la otra ayuda a examinar cómo se está pronunciando el texto escrito.
El fabricante señala explícitamente que el soporte de idiomas distintos del inglés puede ser limitado porque el procesamiento de la pronunciación o los datos de entrenamiento de voz son escasos. Por tanto, sus grupos predefinidos no deben tratarse como garantías equivalentes de interpretación para cualquier pasaje. Elige un hablante adecuado y revisa los nombres y las formulaciones reales que exige la tarea.
El resultado útil es un pasaje hablado o una narración reunida que utilice una voz predefinida documentada, con texto preparado según sus necesidades de pronunciación y longitud de pasaje. Este perfil sigue los materiales v1.0 de Kokoro 82M del fabricante; otro checkpoint, una implementación cuantizada o una voz modificada externamente tienen su propio alcance técnico.
", "aboutText": "Kokoro 82M es el modelo de conversión de texto a voz con pesos abiertos de hexgrad y tiene ochenta y dos millones de parámetros. Su ficha de modelo describe una arquitectura compacta de solo decodificador, basada en StyleTTS 2 e iSTFTNet. El texto escrito se convierte en información de pronunciación y después en voz con el hablante seleccionado. La versión documentada v1.0 ofrece cincuenta y cuatro voces en ocho idiomas; ese perfil es distinto del de la versión anterior v0.19, que solo admite inglés.\n\n### Seleccionar un idioma y una voz correspondientes\n\nEl catálogo de voces abarca inglés estadounidense y británico, japonés, chino mandarín, español, francés, hindi, italiano y portugués brasileño. Los dos acentos ingleses son variantes de un mismo idioma. Los nombres de voz y las opciones de idioma van unidos: af_heart es un ejemplo de inglés estadounidense en el flujo oficial, mientras que el catálogo tiene grupos separados para los demás idiomas y acentos.\n\nElige el hablante teniendo en cuenta el material real que leerá. La narración de un curso corto puede utilizar una misma voz predefinida en todas sus secciones; una colección multilingüe puede seleccionar una voz de cada grupo de idioma necesario. La cobertura del catálogo difiere entre grupos. El francés, por ejemplo, está representado por una voz enumerada, en lugar de la selección más amplia disponible para el inglés.\n\n### Preparar la pronunciación y los pasajes\n\nEl flujo de referencia de Kokoro convierte las formas escritas en fonemas. Sus ejemplos permiten indicar una lectura fonética explícita para un término, de modo que un nombre difícil pueda prepararse en vez de dejarse a una grafía ambigua. Mantén natural la frase que lo rodea y conserva las palabras que debe oír el público.\n\nUn pasaje práctico es: «La guía tiene tres partes. Primero, elige el material. Después, compara los ejemplos. Por último, guarda la versión que quieres utilizar». Escribe frases completas y conserva las pausas que sugiere la puntuación. Para una pieza larga, organiza la entrada en párrafos coherentes en vez de tratar todo el documento como una sola intervención ininterrumpida.\n\nLa guía de voces indica que muchos hablantes funcionan mejor con pasajes de unos 100–200 tokens dentro de un tramo de aproximadamente 500 tokens. Señala debilidades en intervenciones muy cortas, sobre todo por debajo de 10–20 tokens, y una tendencia a acelerar los pasajes más largos, especialmente por encima de 400 tokens. Son observaciones de preparación basadas en tokens, no límites de número de palabras ni de duración de grabación. Combinar fragmentos cortos o dividir un pasaje largo puede proporcionar una unidad de habla más adecuada.\n\n### Salida de audio y ritmo\n\nEl flujo oficial devuelve el texto procesado, los fonemas y un resultado de audio para cada segmento generado. Guarda esos segmentos como WAV a 24.000 Hz y ofrece una opción de velocidad en el flujo de referencia. Mantén asociados al audio el texto de cada segmento y su orden para que la narración reunida siga el guion previsto.\n\nUna comprobación de edición útil consiste en escuchar el límite entre dos pasajes y después revisar los nombres recurrentes y el ritmo de las listas. La salida de audio y la vista de fonemas tienen finalidades diferentes: una es la grabación que oye el público y la otra ayuda a examinar cómo se está pronunciando el texto escrito.\n\n### Cobertura de idiomas y límites útiles\n\nEl fabricante señala explícitamente que el soporte de idiomas distintos del inglés puede ser limitado porque el procesamiento de la pronunciación o los datos de entrenamiento de voz son escasos. Por tanto, sus grupos predefinidos no deben tratarse como garantías equivalentes de interpretación para cualquier pasaje. Elige un hablante adecuado y revisa los nombres y las formulaciones reales que exige la tarea.\n\nEl resultado útil es un pasaje hablado o una narración reunida que utilice una voz predefinida documentada, con texto preparado según sus necesidades de pronunciación y longitud de pasaje. Este perfil sigue los materiales v1.0 de Kokoro 82M del fabricante; otro checkpoint, una implementación cuantizada o una voz modificada externamente tienen su propio alcance técnico.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c3dec6be134f1b6069fed320e497dddc134acc78975ea7084bd0fee144a9af4c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "hexgrad/kokoro-82mKokoro 82M de hexgrad genera voz con un modelo compacto de 82 millones de parámetros y una voz predefinida específica del idioma. Su perfil documentado v1.0 incluye ocho idiomas, 54 voces y salida de audio a 24 kHz.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Kokoro 82M es el modelo de conversión de texto a voz con pesos abiertos de hexgrad y tiene ochenta y dos millones de parámetros. Su ficha de modelo describe una arquitectura compacta de solo decodificador, basada en StyleTTS 2 e iSTFTNet. El texto escrito se convierte en información de pronunciación y después en voz con el hablante seleccionado. La versión documentada v1.0 ofrece cincuenta y cuatro voces en ocho idiomas; ese perfil es distinto del de la versión anterior v0.19, que solo admite inglés.
El catálogo de voces abarca inglés estadounidense y británico, japonés, chino mandarín, español, francés, hindi, italiano y portugués brasileño. Los dos acentos ingleses son variantes de un mismo idioma. Los nombres de voz y las opciones de idioma van unidos: af_heart es un ejemplo de inglés estadounidense en el flujo oficial, mientras que el catálogo tiene grupos separados para los demás idiomas y acentos.
Elige el hablante teniendo en cuenta el material real que leerá. La narración de un curso corto puede utilizar una misma voz predefinida en todas sus secciones; una colección multilingüe puede seleccionar una voz de cada grupo de idioma necesario. La cobertura del catálogo difiere entre grupos. El francés, por ejemplo, está representado por una voz enumerada, en lugar de la selección más amplia disponible para el inglés.
El flujo de referencia de Kokoro convierte las formas escritas en fonemas. Sus ejemplos permiten indicar una lectura fonética explícita para un término, de modo que un nombre difícil pueda prepararse en vez de dejarse a una grafía ambigua. Mantén natural la frase que lo rodea y conserva las palabras que debe oír el público.
Un pasaje práctico es: «La guía tiene tres partes. Primero, elige el material. Después, compara los ejemplos. Por último, guarda la versión que quieres utilizar». Escribe frases completas y conserva las pausas que sugiere la puntuación. Para una pieza larga, organiza la entrada en párrafos coherentes en vez de tratar todo el documento como una sola intervención ininterrumpida.
La guía de voces indica que muchos hablantes funcionan mejor con pasajes de unos 100–200 tokens dentro de un tramo de aproximadamente 500 tokens. Señala debilidades en intervenciones muy cortas, sobre todo por debajo de 10–20 tokens, y una tendencia a acelerar los pasajes más largos, especialmente por encima de 400 tokens. Son observaciones de preparación basadas en tokens, no límites de número de palabras ni de duración de grabación. Combinar fragmentos cortos o dividir un pasaje largo puede proporcionar una unidad de habla más adecuada.
El flujo oficial devuelve el texto procesado, los fonemas y un resultado de audio para cada segmento generado. Guarda esos segmentos como WAV a 24.000 Hz y ofrece una opción de velocidad en el flujo de referencia. Mantén asociados al audio el texto de cada segmento y su orden para que la narración reunida siga el guion previsto.
Una comprobación de edición útil consiste en escuchar el límite entre dos pasajes y después revisar los nombres recurrentes y el ritmo de las listas. La salida de audio y la vista de fonemas tienen finalidades diferentes: una es la grabación que oye el público y la otra ayuda a examinar cómo se está pronunciando el texto escrito.
El fabricante señala explícitamente que el soporte de idiomas distintos del inglés puede ser limitado porque el procesamiento de la pronunciación o los datos de entrenamiento de voz son escasos. Por tanto, sus grupos predefinidos no deben tratarse como garantías equivalentes de interpretación para cualquier pasaje. Elige un hablante adecuado y revisa los nombres y las formulaciones reales que exige la tarea.
El resultado útil es un pasaje hablado o una narración reunida que utilice una voz predefinida documentada, con texto preparado según sus necesidades de pronunciación y longitud de pasaje. Este perfil sigue los materiales v1.0 de Kokoro 82M del fabricante; otro checkpoint, una implementación cuantizada o una voz modificada externamente tienen su propio alcance técnico.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites hexgrad/kokoro-82m | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites af_alloy, af_aoede, af_bella, af_heart, af_jessica, af_kore, af_nicole, af_nova, af_river, af_sarah, af_sky, am_adam, am_echo, am_eric, am_fenrir, am_liam, am_michael, am_onyx, am_puck, am_santa, bf_alice, bf_emma, bf_isabella, bf_lily, bm_daniel, bm_fable, bm_george, bm_lewis, ef_dora, em_alex, em_santa, ff_siwis, hf_alpha, hf_beta, hm_omega, hm_psi, if_sara, im_nicola, jf_alpha, jf_gongitsune, jf_nezumi, jf_tebukuro, jm_kumo, pf_dora, pm_alex, pm_santa, zf_xiaobei, zf_xiaoni, zf_xiaoxiao, zf_xiaoyi, zm_yunjian, zm_yunxi, zm_yunxia, zm_yunyang | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoObligatorio | Valores y límites mp3 | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice, response_format |
Parámetrovoice_ids | Contratoaf_alloy, af_aoede, af_bella, af_heart, af_jessica, af_kore, af_nicole, af_nova, af_river, af_sarah, af_sky, am_adam, am_echo, am_eric, am_fenrir, am_liam, am_michael, am_onyx, am_puck, am_santa, bf_alice, bf_emma, bf_isabella, bf_lily, bm_daniel, bm_fable, bm_george, bm_lewis, ef_dora, em_alex, em_santa, ff_siwis, hf_alpha, hf_beta, hm_omega, hm_psi, if_sara, im_nicola, jf_alpha, jf_gongitsune, jf_nezumi, jf_tebukuro, jm_kumo, pf_dora, pm_alex, pm_santa, zf_xiaobei, zf_xiaoni, zf_xiaoxiao, zf_xiaoyi, zm_yunjian, zm_yunxi, zm_yunxia, zm_yunyang |
Parámetroresponse_format | Contratomp3 |
Parámetromax_input_characters | Contratonull |
Parámetroother_options | Contratofalse |
Parámetroinput | Contratotexto UTF-8 exacto; recuento de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecciona una voz exacta de este perfil de modelo.
Los caracteres de entrada y los segundos de audio son métricas de consumo diferentes.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad facturable | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad facturable— | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónUltra | Tabla de tarifas— | Cantidad facturableCada punto de código Unicode cuenta como un carácter, incluidos los caracteres Han. | Unidad de facturaciónpor 1K caracteres de entrada | Cargo Entrada · carácter de entrada $0.008 por 1K caracteres de entrada |
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
| Configuración | Condiciones de facturación | Cargo |
|---|---|---|
| Configuraciónhexgrad: Kokoro 82M · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada 0,00000124 US$ por carácter de entrada |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "hexgrad/kokoro-82m", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["af_alloy", "af_aoede", "af_bella", "af_heart", "af_jessica", "af_kore", "af_nicole", "af_nova", "af_river", "af_sarah", "af_sky", "am_adam", "am_echo", "am_eric", "am_fenrir", "am_liam", "am_michael", "am_onyx", "am_puck", "am_santa", "bf_alice", "bf_emma", "bf_isabella", "bf_lily", "bm_daniel", "bm_fable", "bm_george", "bm_lewis", "ef_dora", "em_alex", "em_santa", "ff_siwis", "hf_alpha", "hf_beta", "hm_omega", "hm_psi", "if_sara", "im_nicola", "jf_alpha", "jf_gongitsune", "jf_nezumi", "jf_tebukuro", "jm_kumo", "pf_dora", "pm_alex", "pm_santa", "zf_xiaobei", "zf_xiaoni", "zf_xiaoxiao", "zf_xiaoyi", "zm_yunjian", "zm_yunxi", "zm_yunxia", "zm_yunyang"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada URL firmada real.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot Ultra hexgrad/kokoro-82m
Usa las rutas de método indicadas arriba.