remsky/Kokoro-FastAPI

解決的問題

Kokoro-FastAPI 為 Kokoro-82M 文字轉語音（TTS）模型提供了一個高效率、Docker 化的 API 封裝。它簡化了高品質語音合成的部署，讓使用者能在數分鐘內生成數小時的音訊，同時提供 OpenAI 相容的介面，方便整合至現有的應用程式中。

工作原理

此專案將 Kokoro-82M 模型封裝於 FastAPI 伺服器中，公開處理文字轉語音請求的端點。支援多種硬體後端，包括 CPU、NVIDIA GPU（CUDA）、AMD GPU（ROCm）與 Apple Silicon（MPS）。系統處理文字、語音混合，並將音訊編碼為多種格式（MP3、WAV、Opus、FLAC、AAC、PCM），再進行串流或回傳最終音訊檔案。

適用對象

• 開發者：尋找自架設、OpenAI 相容的 TTS API 的人。
• 內容創作者：需要為長篇內容快速生成高品質語音的人。
• AI 應用建構者：希望在其軟體中整合多語音對話或複雜語音控制功能的人。

主要特色

• OpenAI 相容性：使用標準的 Speech 端點，實現無縫整合。
• 多語言支援：支援英語（美式/英式）、西班牙語、法語、印地語、義大利語、日語、巴西葡萄牙語與普通話中文。
• 進階語音控制：支援加權語音組合（混合多個語音）、語音別名，以及透過標籤實現的內嵌說話人切換。
• 細緻的文本控制：支援內嵌標記控制停頓、IPA 發音、語速，以及實驗性 SSML 支援。
• 高效率：支援串流以降低首個標記延遲，並支援廣泛的硬體加速。
• 詳細輸出：可產生單字級或區塊級的時間戳字幕。