lucasjinreal/Kokoros

解決的問題

Kokoros 是 Kokoro TTS 模型的高性能 Rust 實作，旨在透過高品質的音訊輸出提供極快的文字轉語音（TTS）合成。它透過提供獨立二進位檔案和 Rust crate，消除了對沉重的 Python 依賴，以便輕鬆整合到其他應用程式中。

工作原理

該專案透過 ONNX Runtime 使用 Kokoro 82M 參數模型進行推論。它包含內建的音素化器（phonemizer）和分詞器（支援 Espeak-ng），用於處理端到端的文字處理。該系統可以用作命令列工具 (koko)、Rust 函式庫，或支援串流音訊生成與並行處理以優化吞吐量的 OpenAI 相容 HTTP API 伺服器。

適用對象

• 希望在 Rust 應用程式中嵌入高品質 TTS 的開發人員。
• 尋求快速、輕量級音訊合成 CLI 工具的使用者。
• 建構需要低延遲、串流音訊回應的 AI 代理或數位人的工程師。

亮點

• 極速推論：使用 Rust 進行速度優化，支援 CUDA 與 WASM。
• OpenAI 相容：提供模擬 OpenAI TTS 端點的 API 伺服器，以便於整合。
• 串流支援：同時支援 CLI 與 HTTP API 串流，實現即時音訊播放（低首音訊延遲）。
• 風格混合：允許混合不同的語音風格（例如 af_sky.4 + af_nicole.5）以實現自定義語音效果。
• 單字級時間戳：可以生成 .tsv 伴隨檔案，提供每個單字的精確開始與結束時間。
• 端到端：包含內部音素化，無需外部依賴。