remsky/Kokoro-FastAPI

解决的问题

Kokoro-FastAPI 为 Kokoro-82M 文本转语音（TTS）模型提供了一个高性能、Docker 化的 API 封装。它简化了高质量语音合成的部署，使用户能够在几分钟内生成数小时的音频，同时提供 OpenAI 兼容接口，便于集成到现有应用程序中。

工作原理

该项目将 Kokoro-82M 模型封装在 FastAPI 服务器中，暴露处理文本转语音请求的端点。支持多种硬件后端，包括 CPU、NVIDIA GPU（CUDA）、AMD GPU（ROCm）和 Apple Silicon（MPS）。系统处理文本、语音混合，并将音频编码为多种格式（MP3、WAV、Opus、FLAC、AAC、PCM），然后进行流式传输或返回最终音频文件。

适用人群

• 开发者：寻找自托管、OpenAI 兼容的 TTS API 的人。
• 内容创作者：需要为长篇内容快速生成高质量语音的人。
• AI 应用构建者：希望在其软件中集成多说话人对话或复杂语音控制功能的人。

主要亮点

• OpenAI 兼容性：使用标准的 Speech 端点，实现无缝集成。
• 多语言支持：支持英语（美式/英式）、西班牙语、法语、印地语、意大利语、日语、巴西葡萄牙语和普通话中文。
• 高级语音控制：支持加权语音组合（混合多个语音）、语音别名和通过标签实现的内联说话人切换。
• 细粒度文本控制：支持内联标记控制停顿、IPA 发音、语速，以及实验性 SSML 支持。
• 高性能：支持流式传输以降低首个标记延迟，并支持广泛的硬件加速。
• 详细输出：可生成单词级或分块级的时间戳字幕。