lucasjinreal/Kokoros

解决的问题

Kokoros 是 Kokoro TTS 模型的高性能 Rust 实现，旨在通过高质量的音频输出提供极快的文本转语音（TTS）合成。它通过提供独立二进制文件和 Rust crate，消除了对沉重的 Python 依赖，以便轻松集成到其他应用程序中。

工作原理

该项目通过 ONNX Runtime 使用 Kokoro 82M 参数模型进行推理。它包含内置的音素化器（phonemizer）和分词器（支持 Espeak-ng），用于处理端到端的文本处理。该系统可以用作命令行工具 (koko)、Rust 库，或支持流式音频生成和并行处理以优化吞吐量的 OpenAI 兼容 HTTP API 服务器。

适用对象

• 希望在 Rust 应用程序中嵌入高质量 TTS 的开发人员。
• 寻求快速、轻量级音频合成 CLI 工具的用户。
• 构建需要低延迟、流式音频响应的 AI 智能体或数字人的工程师。

亮点

• 极速推理：使用 Rust 进行速度优化，支持 CUDA 和 WASM。
• OpenAI 兼容：提供模拟 OpenAI TTS 端点的 API 服务器，以便于集成。
• 流式支持：同时支持 CLI 和 HTTP API 流式传输，实现即时音频播放（低首音频延迟）。
• 风格混合：允许混合不同的语音风格（例如 af_sky.4 + af_nicole.5）以实现自定义语音效果。
• 词级时间戳：可以生成 .tsv 伴随文件，提供每个单词的精确开始和结束时间。
• 端到端：包含内部音素化，无需外部依赖。