Kokoro：开放权重的轻量语音合成模型

1. 为文字生成旁白

给视频批量配旁白，或者在自己开发的工具里加入朗读功能时，往往需要一个可以自行部署的语音合成方案。Kokoro（Kokoro-82M）是一个参数量为 8200 万的开放权重文字转语音（TTS）模型，配套提供 Python 推理库 kokoro。

它不是带图形界面的桌面剪辑软件，需要在 Python 环境或 Google Colab 中调用运行。把运行环境配置好后，通过初始化 KPipeline 就能把输入的文本转换成采样率 24000 Hz 的音频数据。

2. 选择语言和音色

初始化推理管道时，通过 lang_code 参数指定合成语言，并需确保所选音色与语言代码相匹配：

• 英语与欧洲语言：支持美式英语（a）、英式英语（b）、西班牙语（e）、法语（f）、意大利语（i）和巴西葡萄牙语（p）。
• 普通话与日语：使用普通话（z）或日语（j）时，除了基础库之外，还需要分别安装 misaki[zh] 或 misaki[ja] 语言扩展。

3. 调整语速，分段生成音频

在实际生成旁白时，推理管道提供了几个直接影响输出效果的参数，方便把长文处理成可直接使用的音频文件：

• 切换音色与加载权重：可以在调用 pipeline 时传入音色名称（如 voice='af_heart'）。
• 调节语速与按段切分：通过 speed 参数调整朗读快慢（如设为 1），并用 split_pattern（如 r'\n+'）按换行符自动把长文本拆分成多个片段依次生成。
• 逐段导出文件：生成器会按顺序返回每一段的序号、原始文本、音素以及音频数据，配合 soundfile 库就能把每个段落分别保存为独立的 .wav 音频文件。

4. 自行部署或使用托管服务

Kokoro 的模型权重采用 Apache-2.0 许可证发布，个人项目、科研或商业生产环境都可以免费下载部署。如果你不想自己在本地或云端配置 Python 环境，也可以先通过 Hugging Face 上的官方在线空间试听和体验；部分第三方云平台也提供了托管的商业 API，这类托管服务会按各平台标准计费。