PierrunoYT/Kokoro-TTS-Local

解決する課題

Kokoro-TTS-Localは、Kokoro-82Mテキスト読み上げモデルの合理化されたローカル実装を提供します。Hugging Faceからのモデルと音声のダウンロードを自動化し、高品質な音声をオフラインで生成するための使いやすいインターフェースを提供することで、複雑な手動設定の必要性を排除します。

仕組み

このプロジェクトはKokoro-82Mモデル（82Mパラメータモデル）をラップし、以下のいくつかのインタラクション方法を提供します：

• インターフェース: テキスト入力と音声選択のための、対話型コマンドラインインターフェース（CLI）とGradioベースのWebインターフェースを提供します。
• アセット管理: モデルファイル (kokoro-v1_0.pth) と設定ファイルのダウンロードを自動的に処理します。また、HF_HUB_OFFLINE 環境変数による専用のオフラインモードもサポートしています。
• 処理: システムは、アメリカ英語、イギリス英語、日本語、中国語（マンダリン）など、9言語にわたる54の音声をサポートしています。音声はWAV、MP3、AAC形式で出力可能です。
• ハードウェアアクセラレーション: 高速な生成のためにCUDA対応GPUをサポートしていますが、CPUでも動作可能です。

対象ユーザー

プライバシー、オフラインアクセス、または他のローカルAIワークフローへの統合のために、デバイス上のクラウドAPIに依存せず、自身のハードウェアで高品質なテキスト読み上げ合成をローカルで実行したいユーザー。

ハイライト

• 多言語サポート: 9つの異なる言語にわたる54の音声。
• オフライン機能: 初回の資産ダウンロード後は、完全なオフラインモードをサポート。
• ユーザーフレンドリーなインターフェース: Web UIとCLIの両方を含む。
• 包括的な診断: Pythonのバージョン、CUDAの可用性、および依存関係を検証するための組み込みの kokoro-tts-check ツール。
• 柔軟な出力: 複数のオーディオ形式（WAV, MP3, AAC）と調整可能な話速（0.5xから2.0x）をサポート。
• Dockerサポート: CPUベースのセットアップ用にDocker経由のクイックスタートを提供。