hexgrad: Kokoro 82M
hexgrad 的 Kokoro 82M 透過精簡的 8,200 萬參數模型，以及各語言預先提供的聲音來生成語音。文件記載的 v1.0 規格包含八種語言、54 個聲音，以及 24 kHz 音訊輸出。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Kokoro 82M 是 hexgrad 的開放權重文字轉語音模型，具有 8,200 萬個參數。其模型卡描述以 StyleTTS 2 與 iSTFTNet 為基礎的精簡純解碼器架構。書面文字會先轉成發音資訊，再以所選聲音生成語音。文件記載的 v1.0 版本提供涵蓋八種語言的 54 個聲音；這與先前僅支援英語的 v0.19 版本不同。
選擇相符的語言與聲音
聲音目錄涵蓋美式英語、英式英語、日語、標準中文、西班牙語、法語、印地語、義大利語及巴西葡萄牙語。兩種英語口音是同一語言的變體。聲音名稱與語言設定應配合使用：官方工作流程以 af_heart 作為美式英語範例，目錄則為其他語言及口音設有不同群組。
請以實際要朗讀的素材選擇說話者。簡短課程旁白可以在各段使用同一個預先提供的聲音；多語言素材集則可從每個所需語言群組選擇聲音。不同群組的目錄涵蓋程度不一。例如法語列出一個聲音，並沒有英語那樣豐富的選項。
準備發音與段落
Kokoro 的參考流程會將書面形式轉成音素。其範例允許明確指定術語的語音讀法，因此可預先準備難讀名稱，而非交由模糊的拼寫決定。請讓周圍句子自然，並保留聽眾應聽到的措辭。
例如：「指南分成三個部分。首先，選擇素材。接著，比較範例。最後，儲存您想使用的版本。」請寫出完整片語，並保留標點所暗示的停頓。製作長作品時，應將輸入整理成連貫段落，而非將整份文件視為一段毫不中斷的發話。
聲音指南指出，許多說話者在約 500 個 token 的範圍內，以約 100 至 200 個 token 的段落表現最佳。指南提醒極短發話的弱點，尤其是少於 10 至 20 個 token 的情況；較長段落則傾向說得急促，特別是超過 400 個 token 時。這些是以 token 數為依據的準備觀察，並非字詞數或錄音時間上限。合併短片段或拆分長段落，可以形成更適合的發話單位。
音訊輸出與節奏
官方工作流程為每個生成片段產出處理後文字、音素及音訊結果。它將片段儲存為 24,000 Hz 的 WAV，並在參考流程提供速度設定。請將片段文字及順序與音訊建立關聯，讓組合後旁白跟隨預定文稿。
實用的編輯檢查方式是試聽兩個段落的交界，再檢查反覆出現的名稱及清單的朗讀節奏。音訊輸出與音素檢視有不同用途：前者是聽眾聽到的錄音，後者則有助於檢查書面文字如何發音。
語言涵蓋與實用限制
製造商明確指出，由於發音處理或聲音訓練資料有限，非英語支援可能較薄弱。因此，不應將各個預先提供的聲音群組視為對所有段落提供同等表達效果的保證。請選擇適合的說話者，並檢查任務需要的實際名稱與措辭。
實用的交付成果是使用文件所列、預先提供聲音的語音段落或組合旁白，文字則依發音及段落長度需求準備。本介紹依循製造商的 v1.0 Kokoro 82M 資料；其他檢查點、量化實作或由外部修改的聲音，各有自己的技術範圍。
Ailoot Ultra · 語音合成 POST /v1/audio/speech hexgrad/kokoro-82m
hexgrad/kokoro-82m入門
hexgrad 的 Kokoro 82M 透過精簡的 8,200 萬參數模型，以及各語言預先提供的聲音來生成語音。文件記載的 v1.0 規格包含八種語言、54 個聲音，以及 24 kHz 音訊輸出。
- 接受的輸入
- 文字
- 結果
- 音訊
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音合成 POST /v1/audio/speech
- 輸入
text- 輸出
audio- 輸出格式
- mp3
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 hexgrad/kokoro-82m | 預設值— |
欄位input | 類型string | 要求必填 | 值與限制 長度下限: 1 單位: Unicode 字元 | 預設值— |
欄位voice | 類型string | 要求必填 | 值與限制 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 | 預設值— |
欄位response_format | 類型string | 要求必填 | 值與限制 mp3 | 預設值— |
輸入素材組合
text_to_speech · 必填： input
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input, voice, response_format |
參數voice_ids | 規格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 |
參數response_format | 規格mp3 |
參數max_input_characters | 規格null |
參數other_options | 規格false |
參數input | 規格完全相符的 UTF-8 文字；不經正規化的 Unicode 字元計數 |
參數material_types | 規格text |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
請從此模型設定檔中選擇完全相符的語音。
輸入字元數與音訊秒數是不同的計量方式。
方案
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
Ailoot 費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 應計費數量 | 計費單位 | 費用 |
|---|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 應計費數量— | 計費單位— | 費用 輸入 · 輸入 Token — / 1K Token 輸出 · 輸出 Token — / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定Ultra | 費率表— | 應計費數量每個 Unicode 碼位均計為一個字元，漢字亦同。 | 計費單位每 1K 個輸入字元 | 費用 輸入 · 輸入字元 $0.008 每 1K 個輸入字元 |
參考費率詳情
模型層級的參考費率表不會變更方法選擇、報價或費用。實際計費採用所選 Ailoot 方法的費率。
hexgrad: Kokoro 82M
各設定的價格
| 設定 | 計費條件 | 費用 |
|---|---|---|
| 設定hexgrad: Kokoro 82M · 預設設定 | 計費條件預設設定 | 費用 輸入 · 輸入字元數 US$0.00000124 每個輸入字元 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音合成
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
接收並儲存結果
Ailoot Ultra · 語音合成
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
其他內容讀取方式
set -eu
: "${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
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留完整的二進位結果與標頭。若回傳 JSON 或多個輸出，請保留所有資料項目，並透過每個實際回傳的已簽署資產 URL 取得內容。
需要檢查原始回應時
保留原始 operation_id/X-Client-Request-ID 以供核對，請勿重新提交；沒有專用的音訊輪詢路由。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位binary audio | 類型bytes |
欄位response headers | 類型headers |
錯誤與後續步驟
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
回應server_error | 條件回傳的回應表示該作業或結果需要檢查 | 下一步保留原始回傳的作業／任務 ID、請求標頭與回應；繼續以支援的方式讀取該原始作業。請勿重新提交建立請求。 |
別名
模型別名
Ailoot Ultra hexgrad/kokoro-82m
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · hexgrad: Kokoro 82M
- 可以使用哪些輸入與結果？
POST /v1/audio/speech·hexgrad/kokoro-82m:text→audio- 請求使用哪些欄位？
POST /v1/audio/speech·hexgrad/kokoro-82m:model,input,voice,response_format