hexgrad: Kokoro 82M

Kokoro 82M firmy hexgrad generuje mowę za pomocą kompaktowego modelu o 82 milionach parametrów i gotowego głosu właściwego dla języka. Udokumentowany profil v1.0 obejmuje osiem języków, 54 głosy i wyjście audio 24 kHz.

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

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Kokoro 82M to model zamiany tekstu na mowę hexgrad z otwartymi wagami i osiemdziesięcioma dwoma milionami parametrów. Karta modelu opisuje kompaktową architekturę decoder-only opartą na StyleTTS 2 i iSTFTNet. Pisemny tekst jest przekształcany w informacje o wymowie, a następnie w mowę wybranym głosem. Udokumentowane wydanie v1.0 udostępnia pięćdziesiąt cztery głosy w ośmiu językach; profil ten różni się od wcześniejszego anglojęzycznego wydania v0.19.

Wybierz pasujący język i głos

Katalog głosów obejmuje amerykański i brytyjski angielski, japoński, chiński mandaryński, hiszpański, francuski, hindi, włoski i brazylijski portugalski. Dwa akcenty angielskie są wariantami jednego języka. Nazwy głosów i ustawienia języka stanowią parę: af_heart to przykład amerykańskiego angielskiego w oficjalnym procesie, a katalog ma osobne grupy dla pozostałych języków i akcentów.

Dobieraj mówcę do rzeczywistego materiału, który będzie czytać. Krótka narracja kursu może używać jednego spójnego gotowego głosu we wszystkich sekcjach; zbiór wielojęzyczny może wybierać głos z każdej wymaganej grupy językowej. Zakres katalogu różni się między grupami. Francuski reprezentuje na przykład jeden wymieniony głos, zamiast większego wyboru dostępnego dla angielskiego.

Przygotuj wymowę i fragmenty

Referencyjny proces Kokoro zamienia formy pisemne na fonemy. Przykłady pozwalają jawnie określić odczyt fonetyczny terminu, dzięki czemu trudną nazwę można przygotować, zamiast pozostawiać ją niejednoznacznej pisowni. Zachowaj naturalność otaczającego zdania i słowa, które słuchacz ma usłyszeć.

Praktyczny fragment brzmi: „Przewodnik ma trzy części. Najpierw wybierz materiał. Następnie porównaj przykłady. Na koniec zapisz wersję, której chcesz użyć”. Pisz pełne frazy i zachowuj pauzy wynikające z interpunkcji. Długi materiał zorganizuj w spójne akapity, zamiast traktować cały dokument jako jedną nieprzerwaną wypowiedź.

Przewodnik głosów wskazuje, że wielu mówców działa najlepiej z fragmentami około 100–200 tokenów w obrębie zakresu około 500 tokenów. Zaznacza słabości przy bardzo krótkich wypowiedziach, szczególnie poniżej 10–20 tokenów, i tendencję do pośpiechu w dłuższych fragmentach, zwłaszcza powyżej 400 tokenów. Są to obserwacje przygotowania oparte na tokenach, a nie limity liczby słów lub długości nagrania. Połączenie krótkich fragmentów lub podzielenie długiego może zapewnić bardziej odpowiednią jednostkę mowy.

Wyjście audio i tempo

Oficjalny proces zwraca przetworzony tekst, fonemy i wynik audio dla każdego wygenerowanego segmentu. Zapisuje segmenty jako WAV z częstotliwością 24 000 Hz i udostępnia ustawienie szybkości w procesie referencyjnym. Zachowaj powiązanie tekstu segmentów i ich kolejności z audio, aby złożona narracja podążała za zamierzonym scenariuszem.

Przydatna kontrola montażowa polega na odsłuchaniu granicy między dwoma fragmentami, a następnie sprawdzeniu powracających nazw i tempa list. Wyjście audio i widok fonemów służą różnym celom: pierwsze jest nagraniem słyszanym przez odbiorcę, a drugi pomaga ocenić wymowę tekstu pisanego.

Zakres języków i użyteczne ograniczenia

Producent wprost zaznacza, że obsługa języków innych niż angielski może być ograniczona ze względu na przetwarzanie wymowy lub małą ilość danych treningowych głosów. Grupy gotowych głosów nie powinny więc być traktowane jako równorzędne gwarancje wykonania każdego fragmentu. Wybierz odpowiedniego mówcę i oceń rzeczywiste nazwy oraz sformułowania wymagane w zadaniu.

Użytecznym rezultatem jest wypowiedziany fragment lub złożona narracja z udokumentowanym gotowym głosem i tekstem przygotowanym pod kątem wymowy oraz długości fragmentów. Profil ten wynika z materiałów producenta Kokoro 82M v1.0; inny model, implementacja skwantyzowana lub głos zmodyfikowany zewnętrznie mają własny zakres techniczny.

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

hexgrad/kokoro-82m

hexgrad /hexgrad/kokoro-82m

Start

Akceptowane dane wejściowe: Tekst
Wyniki: Audio

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Synteza mowy POST /v1/audio/speech

Wejście: text
Wyjście: audio
Format wyjściowy: mp3

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity hexgrad/kokoro-82m	Domyślnie—
Pole`input`	Typ`string`	WymaganieWymagane	Wartości i limity Minimalna długość: 1 Jednostka: znaki Unicode	Domyślnie—
Pole`voice`	Typ`string`	WymaganieWymagane	Wartości i limity 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	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieWymagane	Wartości i limity mp3	Domyślnie—

Kombinacje materiałów wejściowych

text_to_speech · Wymagane: input

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	Kontraktaf_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
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontraktnull
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktdokładny tekst UTF-8; liczba znaków Unicode bez normalizacji
Parametr`material_types`	Kontrakttext

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Wybierz dokładny głos z profilu tego modelu.

Znaki wejściowe i sekundy dźwięku to różne jednostki pomiaru.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.

Konfiguracja	Tabela stawek	Ilość rozliczana	Jednostka rozliczeniowa	Opłata
KonfiguracjaBazowe stawki za tokeny	Tabela stawekStawka podstawowa	Ilość rozliczana—	Jednostka rozliczeniowa—	Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów
KonfiguracjaUltra	Tabela stawek—	Ilość rozliczanaKażdy punkt kodowy Unicode liczy się jako jeden znak, w tym znaki Han.	Jednostka rozliczeniowaza 1K znaków wejściowych	Opłata Wejście · znak wejściowy $0.008 za 1K znaków wejściowych

Szczegóły taryfy referencyjnej

Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.

hexgrad: Kokoro 82M

Ceny według konfiguracji

Konfiguracja	Warunki rozliczania	Opłata
Konfiguracjahexgrad: Kokoro 82M · Domyślna konfiguracja	Warunki rozliczaniaKonfiguracja domyślna	Opłata Wejście · Znaki wejściowe 0,00000124 USD za znak wejściowy

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Synteza mowy

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

Odbieranie i zapisywanie wyników

Ailoot Ultra · Synteza mowy

mp3

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

Inne odczyty treści

Biblioteka multimediówStatus zadaniaSzczegóły pliku

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

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.

Pola odpowiedzi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.
Odpowiedź`server_error`	WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia	Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra hexgrad/kokoro-82m

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

hexgrad/kokoro-82m

FAQ · hexgrad: Kokoro 82M

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/speech · hexgrad/kokoro-82m: text → audio
Jakich pól używa żądanie?: POST /v1/audio/speech · hexgrad/kokoro-82m: model, input, voice, response_format

hexgrad: Kokoro 82M