hexgrad: Kokoro 82M
hexgrad yaratgan Kokoro 82M ixcham, 82 million parametrli model va tilga mos tayyor ovoz yordamida nutq yaratadi. Uning hujjatlashtirilgan v1.0 profili sakkiz til, 54 ovoz va 24 kHz audio chiqishni o‘z ichiga oladi.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Kokoro 82M — hexgrad’ning sakson ikki million parametrli, vaznlari ochiq matndan nutqqa modeli. Model kartasi StyleTTS 2 va iSTFTNet asosidagi ixcham, faqat dekoderli arxitekturani ta’riflaydi. Yozma matn avval talaffuz ma’lumotiga, keyin tanlangan ovozdagi nutqqa aylantiriladi. Hujjatlashtirilgan v1.0 relizi sakkiz tilda ellik to‘rtta ovoz beradi; bu profil oldingi, faqat ingliz tilidagi v0.19 relizidan farq qiladi.
Mos til va ovozni tanlash
Ovoz katalogi Amerika va Britaniya inglizchasi, yapon, mandarin xitoychasi, ispan, fransuz, hind, italyan va Braziliya portugalchasini qamrab oladi. Ikki ingliz aksenti bitta tilning variantlaridir. Ovoz nomi va til sozlamalari birga tanlanadi: rasmiy jarayonda af_heart Amerika inglizchasi misoli, katalogda boshqa tillar va aksentlar uchun esa alohida guruhlar bor.
So‘zlovchini u o‘qiydigan haqiqiy material bilan birga tanlang. Qisqa kursning ovozli bayoni barcha bo‘limlarda bitta tayyor ovozdan foydalanishi mumkin; ko‘p tilli to‘plam har bir kerakli til guruhidan ovoz tanlashi mumkin. Katalogning qamrovi guruhlar orasida farq qiladi. Masalan, fransuz tili ingliz tilidagidek keng tanlov o‘rniga ro‘yxatdagi bitta ovoz bilan ifodalangan.
Talaffuz va parchalarni tayyorlash
Kokoro’ning namunaviy jarayoni yozma shakllarni fonemalarga aylantiradi. Uning misollarida atama uchun aniq fonetik o‘qishni berish mumkin; shu tariqa qiyin ismni noaniq yozilish ixtiyoriga qoldirmay tayyorlash mumkin. Atrofdagi gapni tabiiy saqlang va tinglovchi eshitishi kerak bo‘lgan so‘zlarni o‘zgartirmang.
Amaliy parcha: “Qo‘llanma uch qismdan iborat. Avval materialni tanlang. Keyin misollarni solishtiring. Oxirida foydalanmoqchi bo‘lgan versiyangizni saqlang.” To‘liq iboralar yozing va tinish belgilari anglatadigan pauzalarni saqlang. Uzun asarda butun hujjatni bitta uzluksiz nutq deb ko‘rish o‘rniga kirishni mazmunan yaxlit abzaslarga ajrating.
Ovoz qo‘llanmasiga ko‘ra, ko‘p so‘zlovchilar taxminan 500 tokenlik doira ichida 100–200 token atrofidagi parchalarda eng yaxshi ishlaydi. Unda juda qisqa nutqlarda, ayniqsa 10–20 tokendan past bo‘lganda, zaifliklar hamda uzunroq parchalarda, ayniqsa 400 tokendan oshganda, shoshilib o‘qish moyilligi qayd etiladi. Bular tokenlarga asoslangan tayyorlash kuzatuvlari bo‘lib, so‘z soni yoki yozuv davomiyligi cheklovlari emas. Qisqa bo‘laklarni birlashtirish yoki uzun parchani bo‘lish nutq uchun mosroq birlik berishi mumkin.
Audio chiqish va sur’at
Rasmiy jarayon har bir yaratilgan segment uchun qayta ishlangan matn, fonemalar va audio natijani beradi. U segmentlarni 24,000 Hz dagi WAV sifatida saqlaydi va namunaviy jarayonda tezlik sozlamasini ochadi. Yig‘ilgan bayon kerakli ssenariyga mos kelishi uchun segment matni va tartibini audio bilan bog‘liq holda saqlang.
Tahrirdagi foydali tekshiruv — ikki parcha chegarasini tinglash, keyin takrorlanuvchi nomlar va ro‘yxatlarning sur’atini tekshirish. Audio chiqish va fonema ko‘rinishi turli vazifalarni bajaradi: biri tinglovchi eshitadigan yozuv, ikkinchisi yozma matn qanday talaffuz qilinayotganini tekshirishga yordam beradi.
Til qamrovi va foydali chegaralar
Yaratuvchi talaffuzni qayta ishlash yoki ovozni o‘qitish ma’lumotlari cheklanganligi sababli ingliz tilidan boshqa tillarni qo‘llab-quvvatlash sust bo‘lishi mumkinligini ochiq qayd etadi. Shu bois tayyor ovoz guruhlarini har bir parcha uchun teng ijro kafolati deb qabul qilmaslik kerak. Mos so‘zlovchini tanlang va vazifaga kerakli haqiqiy nomlar hamda ifodalarni tekshiring.
Foydali natija — talaffuz va parcha uzunligi ehtiyojlariga mos tayyorlangan matnni hujjatlashtirilgan tayyor ovozda o‘qigan parcha yoki yig‘ilgan bayon. Bu profil yaratuvchining v1.0 Kokoro 82M materiallariga mos; boshqa model nazorat nusxasi, kvantlangan amalga oshirish yoki tashqarida o‘zgartirilgan ovoz o‘z texnik doirasiga ega.
Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech hexgrad/kokoro-82m
hexgrad/kokoro-82mBoshlash
hexgrad yaratgan Kokoro 82M ixcham, 82 million parametrli model va tilga mos tayyor ovoz yordamida nutq yaratadi. Uning hujjatlashtirilgan v1.0 profili sakkiz til, 54 ovoz va 24 kHz audio chiqishni o‘z ichiga oladi.
- Qabul qilinadigan kirish ma’lumotlari
- Matn
- Natijalar
- Audio
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech
- Kirish
text- Chiqish
audio- Chiqish formati
- mp3
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar hexgrad/kokoro-82m | Standart— |
Maydoninput | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Eng kam uzunlik: 1 Birlik: Unicode belgilari | Standart— |
Maydonvoice | Turstring | TalabMajburiy | Qiymatlar va cheklovlar 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 | Standart— |
Maydonresponse_format | Turstring | TalabMajburiy | Qiymatlar va cheklovlar mp3 | Standart— |
Kirish materiallari birikmalari
text_to_speech · Majburiy: input
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input, voice, response_format |
Parametrvoice_ids | Parametr talablariaf_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 |
Parametrresponse_format | Parametr talablarimp3 |
Parametrmax_input_characters | Parametr talablarinull |
Parametrother_options | Parametr talablarifalse |
Parametrinput | Parametr talablariaynan UTF-8 matni; normallashtirmasdan Unicode belgilarini sanash |
Parametrmaterial_types | Parametr talablaritext |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Shu model profilidan aniq ovozni tanlang.
Kirish belgilari va audio soniyalari — turli hisoblash birliklari.
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Ko‘rsatilmagan Tezkor rejim tanlanganda
- Flex rejimi
- Ko‘rsatilmagan flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.
| Sozlama | Tariflar jadvali | To‘lanadigan miqdor | Hisob birligi | To‘lov |
|---|---|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | To‘lanadigan miqdor— | Hisob birligi— | To‘lov Kirish · Kirish tokenlari — / 1K token Chiqish · Chiqish tokenlari — / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
| SozlamaUltra | Tariflar jadvali— | To‘lanadigan miqdorHar bir Unicode kod nuqtasi, jumladan Han belgilari, bitta belgi hisoblanadi. | Hisob birligi1K kirish belgisi uchun | To‘lov Kirish · Kirish belgisi $0.008 1K kirish belgisi uchun |
Ma’lumot uchun tarif tafsilotlari
Modelning ma’lumot jadvallari usul tanlash, narx hisobi yoki to‘lovlarni o‘zgartirmaydi. Amaldagi to‘lovlar tanlangan Ailoot usuli tariflari bo‘yicha hisoblanadi.
hexgrad: Kokoro 82M
Sozlamalar bo‘yicha narxlar
| Sozlama | To‘lovni hisoblash shartlari | To‘lov |
|---|---|---|
| Sozlamahexgrad: Kokoro 82M · Standart sozlama | To‘lovni hisoblash shartlariStandart konfiguratsiya | To‘lov Kirish · Kirish belgilari 0,00000124 US$ kirish belgisi uchun |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Ovozlashtirish
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Natijalarni olish va saqlash
Ailoot Ultra · Ovozlashtirish
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Boshqa kontentni o‘qish
set -eu
: "${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
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
To‘liq ikkilik natija va sarlavhalarni saqlang. JSON yoki bir nechta natija qaytarilsa, har bir ma’lumot elementini saqlang va qaytarilgan har bir haqiqiy imzolangan resurs URL manzilidan faylni yuklab oling.
Asl javobni tekshirish kerak bo‘lsa
Ma’lumotlarni solishtirib tekshirish uchun dastlabki operation_id/X-Client-Request-ID ni saqlang va so‘rovni qayta yubormang; audio holatini davriy tekshirish uchun alohida yo‘nalish yo‘q.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydonbinary audio | Turbytes |
Maydonresponse headers | Turheaders |
Xatolar va keyingi qadamlar
| Javob | Shart | Keyingi qadam |
|---|---|---|
Javob400 · invalid_request_error | ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri | Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating. |
Javobserver_error | ShartQaytarilgan javob operatsiya yoki natijani tekshirish kerakligini bildiradi | Keyingi qadamDastlab qaytarilgan operatsiya/vazifa ID sini, so‘rov sarlavhalarini va javobni saqlang; aynan shu operatsiya uchun qo‘llab-quvvatlanadigan o‘qish so‘rovlarini davom ettiring. Yaratish so‘rovini qayta yubormang. |
Taxalluslar
Model taxalluslari
Ailoot Ultra hexgrad/kokoro-82m
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · hexgrad: Kokoro 82M
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·hexgrad/kokoro-82m:text→audio- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·hexgrad/kokoro-82m:model,input,voice,response_format