hexgrad: Kokoro 82M

Kokoro 82M ของ hexgrad สร้างเสียงด้วยโมเดลขนาดกะทัดรัด 82 ล้านพารามิเตอร์ และเสียงสำเร็จรูปเฉพาะภาษา ขอบเขต v1.0 ตามเอกสารมีแปดภาษา 54 เสียง และเอาต์พุตเสียง 24 kHz

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Kokoro 82M เป็นโมเดลแปลงข้อความเป็นเสียงแบบเปิดค่าน้ำหนักของ hexgrad มีพารามิเตอร์แปดสิบสองล้านตัว โมเดลการ์ดอธิบายสถาปัตยกรรมขนาดกะทัดรัดแบบตัวถอดรหัสอย่างเดียว ซึ่งอิง StyleTTS 2 และ iSTFTNet ข้อความเขียนถูกแปลงเป็นข้อมูลการออกเสียง แล้วจึงเป็นเสียงพูดตามเสียงที่เลือก รุ่น v1.0 ตามเอกสารมีห้าสิบสี่เสียงในแปดภาษา ขอบเขตนี้ต่างจาก v0.19 ก่อนหน้าที่ใช้ภาษาอังกฤษเท่านั้น

เลือกภาษาและเสียงที่ตรงกัน

รายการเสียงครอบคลุมอังกฤษอเมริกันและอังกฤษบริติช ญี่ปุ่น จีนกลาง สเปน ฝรั่งเศส ฮินดี อิตาลี และโปรตุเกสบราซิล สำเนียงอังกฤษสองแบบเป็นรูปแบบย่อยของภาษาเดียว ชื่อของเสียงผู้พูดกับการตั้งค่าภาษาต้องใช้คู่กัน af_heart เป็นตัวอย่างอังกฤษอเมริกันในเวิร์กโฟลว์ทางการ ส่วนรายการเสียงมีหมวดแยกสำหรับภาษาและสำเนียงอื่น

เลือกผู้พูดด้วยเนื้อหาจริงที่จะอ่าน เสียงบรรยายหลักสูตรสั้น ๆ ใช้เสียงสำเร็จรูปเดียวสม่ำเสมอตลอดแต่ละส่วนได้ ส่วนชุดเนื้อหาหลายภาษาเลือกเสียงจากหมวดภาษาที่ต้องการแต่ละหมวดได้ ความครอบคลุมของรายการต่างกันระหว่างหมวด เช่น ภาษาฝรั่งเศสมีเสียงที่ระบุไว้หนึ่งเสียง ไม่ใช่ตัวเลือกจำนวนมากแบบภาษาอังกฤษ

เตรียมการออกเสียงและย่อหน้า

ไปป์ไลน์อ้างอิงของ Kokoro แปลงรูปเขียนเป็นหน่วยเสียง ตัวอย่างอนุญาตให้ระบุรูปอ่านทางสัทศาสตร์ของคำได้ จึงเตรียมชื่อที่ยากได้แทนการปล่อยให้ขึ้นกับการสะกดที่กำกวม รักษาประโยครอบข้างให้เป็นธรรมชาติ และคงถ้อยคำที่ผู้ฟังควรได้ยิน

ตัวอย่างย่อหน้าคือ “คู่มือมีสามส่วน เริ่มจากเลือกเนื้อหา ต่อไปเปรียบเทียบตัวอย่าง สุดท้ายบันทึกเวอร์ชันที่ต้องการใช้” เขียนวลีที่สมบูรณ์และรักษาช่วงหยุดที่เครื่องหมายวรรคตอนสื่อ สำหรับชิ้นงานยาว ให้จัดอินพุตเป็นย่อหน้าที่ต่อเนื่องกัน ไม่ใช่ถือว่าเอกสารทั้งฉบับเป็นคำพูดยาวไม่หยุดชุดเดียว

คู่มือเสียงระบุว่าผู้พูดจำนวนมากทำงานได้ดีที่สุดกับย่อหน้าประมาณ 100–200 โทเคน ภายในช่วงราว 500 โทเคน โดยระบุจุดอ่อนกับคำพูดสั้นมาก โดยเฉพาะต่ำกว่า 10–20 โทเคน และแนวโน้มเร่งพูดเมื่อย่อหน้ายาว โดยเฉพาะเกิน 400 โทเคน นี่คือข้อสังเกตในการเตรียมงานตามจำนวนโทเคน ไม่ใช่ขีดจำกัดจำนวนคำหรือระยะเวลาบันทึกเสียง การรวมชิ้นสั้นหรือแยกย่อหน้ายาวอาจทำให้ได้หน่วยคำพูดที่เหมาะสมกว่า

เอาต์พุตเสียงและจังหวะ

เวิร์กโฟลว์ทางการให้ข้อความที่ประมวลผลแล้ว หน่วยเสียง และผลเสียงสำหรับแต่ละเซกเมนต์ที่สร้าง โดยบันทึกเป็น WAV ที่ 24,000 Hz และมีการตั้งค่าความเร็วในไปป์ไลน์อ้างอิง เก็บข้อความกับลำดับเซกเมนต์ให้เชื่อมกับเสียง เพื่อให้การบรรยายที่นำมาประกอบตามบทที่ต้องการ

การตรวจแก้ไขที่มีประโยชน์คือฟังข้ามรอยต่อของสองย่อหน้า แล้วตรวจชื่อที่ใช้ซ้ำกับจังหวะอ่านรายการ เอาต์พุตเสียงกับมุมมองหน่วยเสียงมีจุดประสงค์ต่างกัน อย่างหนึ่งคือเสียงบันทึกที่ผู้ฟังได้ยิน อีกอย่างช่วยตรวจว่าข้อความที่เขียนถูกออกเสียงอย่างไร

การรองรับภาษาและข้อจำกัดที่ควรใช้ประกอบงาน

ผู้ผลิตระบุชัดว่าการรองรับภาษาที่ไม่ใช่อังกฤษอาจมีจำกัด เพราะการประมวลผลการออกเสียงหรือข้อมูลฝึกเสียงมีไม่มาก จึงไม่ควรถือว่าหมวดเสียงสำเร็จรูปทุกหมวดรับประกันการถ่ายทอดเท่ากันในทุกย่อหน้า เลือกผู้พูดที่เหมาะและตรวจชื่อกับถ้อยคำจริงที่งานต้องใช้

ผลงานที่มีประโยชน์คือย่อหน้าเสียงพูดหรือการบรรยายที่ประกอบขึ้นด้วยเสียงสำเร็จรูปตามเอกสาร พร้อมข้อความที่เตรียมให้เหมาะกับการออกเสียงและความยาวย่อหน้า ข้อมูลนี้ตามเอกสาร Kokoro 82M v1.0 ของผู้ผลิต เช็กพอยต์อื่น ชุดทำงานแบบควอนไทซ์ หรือเสียงที่ภายนอกแก้ไข มีขอบเขตทางเทคนิคของตัวเอง

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

hexgrad/kokoro-82m

hexgrad /hexgrad/kokoro-82m

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio
รูปแบบเอาต์พุต: mp3

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด hexgrad/kokoro-82m	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 หน่วย: อักขระ Unicode	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด 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	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mp3	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice, response_format
พารามิเตอร์`voice_ids`	ข้อกำหนดaf_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
พารามิเตอร์`response_format`	ข้อกำหนดmp3
พารามิเตอร์`max_input_characters`	ข้อกำหนดnull
พารามิเตอร์`other_options`	ข้อกำหนดfalse
พารามิเตอร์`input`	ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน
พารามิเตอร์`material_types`	ข้อกำหนดtext

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้

อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณที่ใช้คิดค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณที่ใช้คิดค่าบริการ—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	ปริมาณที่ใช้คิดค่าบริการนับแต่ละโค้ดพอยต์ Unicode เป็นหนึ่งอักขระ รวมถึงอักษรฮั่น	หน่วยคิดค่าบริการต่ออักขระอินพุต 1K ตัว	ค่าบริการ ขาเข้า · อักขระขาเข้า $0.008 ต่ออักขระอินพุต 1K ตัว

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

hexgrad: Kokoro 82M

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าhexgrad: Kokoro 82M · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · อักขระอินพุต US$0.00000124 ต่ออักขระอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

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

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

mp3

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

การอ่านเนื้อหาแบบอื่น

คลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`binary audio`	ประเภทbytes
ฟิลด์`response headers`	ประเภทheaders

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra hexgrad/kokoro-82m

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

hexgrad/kokoro-82m

FAQ · hexgrad: Kokoro 82M

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · hexgrad/kokoro-82m: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · hexgrad/kokoro-82m: model, input, voice, response_format

hexgrad: Kokoro 82M