Kokoro 是一个开源文本转语音模型（8200 万参数），可在 CPU 上高效运行，包括 Apple Silicon，无需专用 GPU。 这填补了没有强大 GPU 的用户的空白，使得在日常计算机上实现高质量文本转语音成为可能，适用于无障碍、阅读和自动化工作流。 Kokoro 支持手动 IPA 发音指南，并带有命令行工具；它生成的语音自然，但在单个词或同形异义词上可能表现不佳。
背景
文本转语音（TTS）将书面文本转换为口语音频。高质量的 TTS 通常需要神经网络，这些网络受益于 GPU 加速，因此本地纯 CPU 解决方案较为罕见。Kokoro 设计为在 CPU 上高效运行，在 Apple Silicon 上利用 mlx-audio 库。
参考链接
社区讨论
社区评论显示热情的采用。用户赞赏 Kokoro 用于无障碍产品、通过 RSS 阅读文章，甚至作为语音控制界面的基础。一些人指出同形异义词和单个词语发声的限制，但整体情绪积极。