hexgrad: Kokoro 82M

A hexgrad Kokoro 82M modellje kompakt, 82 millió paraméteres modellel és nyelvspecifikus előre beállított hanggal generál beszédet. Dokumentált v1.0 leírása nyolc nyelvet, 54 hangot és 24 kHz-es hangkimenetet tartalmaz.

Ailoot Ultra · Felolvasás POST /v1/audio/speech hexgrad/kokoro-82m

A modellről

Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.

A Kokoro 82M a hexgrad nyílt súlyú szövegfelolvasó modellje nyolcvankét millió paraméterrel. Modellkártyája StyleTTS 2-re és iSTFTNetre épülő kompakt, csak dekóderes architektúrát ír le. Az írott szöveget kiejtési információvá, majd a kiválasztott hangon beszéddé alakítja. A dokumentált v1.0 kiadás ötvennégy hangot biztosít nyolc nyelven; ez eltér a korábbi, kizárólag angol v0.19 kiadástól.

Válassz egymáshoz illő nyelvet és hangot

A hangkatalógus amerikai és brit angolt, japánt, mandarin kínait, spanyolt, franciát, hindit, olaszt és brazil portugált fed le. A két angol akcentus egyetlen nyelv változata. A hangnevek és nyelvbeállítások összetartoznak: az af_heart amerikai angol példa a hivatalos munkafolyamatban, míg a katalógus külön csoportokkal rendelkezik a többi nyelvhez és akcentushoz.

A ténylegesen felolvasandó anyag alapján válassz beszélőt. Egy rövid kurzusnarráció ugyanazt az előre beállított hangot használhatja a szakaszaiban; egy többnyelvű gyűjtemény minden szükséges nyelvcsoportból választhat hangot. A katalógus lefedettsége csoportonként eltér. A franciát például egyetlen felsorolt hang képviseli, szemben az angol nagyobb választékával.

Kiejtés és részletek előkészítése

A Kokoro referencia-feldolgozólánca az írott alakokat fonémákká alakítja. Példái lehetővé teszik egy kifejezés explicit fonetikus olvasatát, így egy nehéz név előkészíthető ahelyett, hogy kétértelmű írásmódra hagyatkoznánk. A környező mondat maradjon természetes, és őrizd meg a hallgatónak szánt megfogalmazást.

Egy gyakorlati részlet: „Az útmutató három részből áll. Először válaszd ki az anyagot. Ezután hasonlítsd össze a példákat. Végül mentsd el a használni kívánt változatot.” Teljes fordulatokat írj, és tartsd meg az írásjelek által jelzett szüneteket. Hosszú anyagnál összefüggő bekezdésekbe szervezd a bemenetet, ne kezeld a teljes dokumentumot egyetlen megszakítás nélküli megszólalásként.

A hangútmutató szerint sok beszélő körülbelül 100–200 tokenes részletekkel működik a legjobban, egy hozzávetőleg 500 tokenes tartományon belül. Nagyon rövid megszólalásoknál, különösen 10–20 token alatt gyengeségeket, hosszabb részleteknél, főleg 400 token felett sietésre való hajlamot említ. Ezek tokenalapú előkészítési megfigyelések, nem szószám- vagy felvételidő-korlátok. Rövid töredékek összekapcsolása vagy hosszú részlet felosztása alkalmasabb beszédegységet adhat.

Hangkimenet és tempó

A hivatalos munkafolyamat minden generált szegmenshez visszaadja a feldolgozott szöveget, fonémákat és hanganyagot. A szegmenseket 24 000 Hz-es WAV-ként menti, és a referencia-feldolgozóláncban sebességbeállítást tesz elérhetővé. A szegmensszöveget és sorrendet a hanganyaggal kapcsolódóan őrizd meg, hogy az összeállított narráció kövesse a tervezett szöveget.

Hasznos szerkesztési ellenőrzés két részlet határának meghallgatása, majd az ismétlődő nevek és a felsorolások tempójának vizsgálata. A hangkimenet és a fonémanézet eltérő célra szolgál: az egyik a hallgató által hallott felvétel, a másik segít ellenőrizni az írott szöveg kiejtését.

Nyelvi lefedettség és hasznos korlátok

A gyártó kifejezetten megjegyzi, hogy a nem angol támogatás szűkös lehet a korlátozott kiejtésfeldolgozás vagy hangtanítási adatok miatt. Ezért az előre beállított csoportokat nem szabad minden részletre azonos előadási garanciaként kezelni. Válassz megfelelő beszélőt, és ellenőrizd a feladatban ténylegesen szükséges neveket és megfogalmazást.

A hasznos eredmény egy elmondott részlet vagy összeállított narráció dokumentált előre beállított hanggal, a kiejtési és részlethossz-igényeihez előkészített szöveggel. Ez a leírás a gyártó v1.0 Kokoro 82M anyagait követi; másik modellváltozat, kvantált implementáció vagy külsőleg módosított hang saját műszaki határokkal rendelkezik.

Ailoot Ultra · Felolvasás POST /v1/audio/speech hexgrad/kokoro-82m

hexgrad/kokoro-82m

hexgrad /hexgrad/kokoro-82m

Kezdő lépések

Elfogadott bemenetek: Szöveg
Eredmények: Hang

Elérhető az Ailootban · bemenetek és metódusok

Ailoot Ultra · Felolvasás POST /v1/audio/speech

Bemenet: text
Kimenet: audio
Kimeneti formátum: mp3

Mező	Típus	Követelmény	Értékek és korlátok	Alapértelmezett
Mező`model`	Típus`string`	KövetelményKötelező	Értékek és korlátok hexgrad/kokoro-82m	Alapértelmezett—
Mező`input`	Típus`string`	KövetelményKötelező	Értékek és korlátok Minimális hossz: 1 Egység: Unicode-karakterek	Alapértelmezett—
Mező`voice`	Típus`string`	KövetelményKötelező	Értékek és korlátok 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	Alapértelmezett—
Mező`response_format`	Típus`string`	KövetelményKötelező	Értékek és korlátok mp3	Alapértelmezett—

Bemeneti anyagok kombinációi

text_to_speech · Kötelező: input

Metódus paraméterei és életciklusa

Paraméter	Szerződés
Paraméter`content_type`	Szerződésapplication/json
Paraméter`required`	Szerződésmodel, input, voice, response_format
Paraméter`voice_ids`	Szerződésaf_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
Paraméter`response_format`	Szerződésmp3
Paraméter`max_input_characters`	Szerződésnull
Paraméter`other_options`	Szerződésfalse
Paraméter`input`	Szerződéspontos UTF-8 szöveg; Unicode-karakterszám normalizálás nélkül
Paraméter`material_types`	Szerződéstext

Életciklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · A ténylegesen visszaadott task_id vagy a médiatár bejegyzése

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

E modell profiljából válassza ki a pontos hangot.

A bemeneti karakterek és a hangmásodpercek külön mérési egységek.

Díjcsomagok

A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.

Gyors mód: Nincs megadva Ha a gyors mód van kiválasztva
Flex mód: Nincs megadva Ha a flex mód van kiválasztva
Maximális gondolkodási ráfordítás: Nincs megadva Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik

Ailoot-díjak

Árak beállításonként

Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.

Beállítás	Díjtáblázat	Számlázható mennyiség	Elszámolási egység	Díj
BeállításTokenek alapdíjai	DíjtáblázatAlapdíj	Számlázható mennyiség—	Elszámolási egység—	Díj Bemenet · Bemeneti tokenek — / 1K token Kimenet · Kimeneti tokenek — / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token
BeállításUltra	Díjtáblázat—	Számlázható mennyiségMinden Unicode-kódpont egy karakternek számít, a Han-karaktereket is beleértve.	Elszámolási egység1K bemeneti karakterenként	Díj Bemenet · bemeneti karakter $0.008 1K bemeneti karakterenként

A referencia-díjszabás részletei

A modellszintű referenciatáblázatok nem módosítják a metódusválasztást, az árajánlatokat vagy a díjakat. A tényleges díjak a kiválasztott Ailoot-metódus díjtételeit használják.

hexgrad: Kokoro 82M

Árak beállításonként

Beállítás	Elszámolási feltételek	Díj
Beállításhexgrad: Kokoro 82M · Alapértelmezett beállítások	Elszámolási feltételekAlapértelmezett konfiguráció	Díj Bemenet · Bemeneti karakterek 0,00000124 USD bemeneti karakterenként

Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →

Példakérések

Ailoot Ultra · Felolvasás

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "hexgrad/kokoro-82m", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=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"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.mp3

Eredmények fogadása és mentése

Ailoot Ultra · Felolvasás

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

További tartalomlekérések

MédiatárFeladat állapotaMédiafájl részletei

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Őrizzen meg minden elkészült eredményt

Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.

Őrizze meg a teljes bináris eredményt és a fejléceket. JSON vagy több kimenet esetén őrizzen meg minden adatelemet, és töltse le minden ténylegesen visszaadott, aláírt média-URL tartalmát.

Ha az eredeti választ ellenőrizni kell

Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.

Válaszmezők

Mező	Típus
Mező`binary audio`	Típusbytes
Mező`response headers`	Típusheaders

Hibák és következő lépések

Válasz	Feltétel	Következő lépés
Válasz400 · `invalid_request_error`	FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték	Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt.
Válasz`server_error`	FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel	Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést.

Álnevek

Modell álnevei

Ailoot Ultra hexgrad/kokoro-82m

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

hexgrad/kokoro-82m

FAQ · hexgrad: Kokoro 82M

Milyen bemenetek és eredmények érhetők el?: POST /v1/audio/speech · hexgrad/kokoro-82m: text → audio
Mely mezőket használja a kérés?: POST /v1/audio/speech · hexgrad/kokoro-82m: model, input, voice, response_format

hexgrad: Kokoro 82M