Hexgrad : Kokoro 82M
Hexgrad publie Kokoro TTS (Kokoro 82M), un modèle de synthèse vocale qui lit du texte et produit de la parole. Sa version v1.0 est sortie le 27 janvier 2025.
Ce que Kokoro 82M v1.0 change par rapport à la v0.19
Kokoro 82M passe de la v0.19, publiée le 25 décembre 2024, à la v1.0, publiée le 27 janvier 2025.
Selon Hexgrad, l’entraînement passe de moins de 100 heures d’audio pour la v0.19 à quelques centaines d’heures pour la v1.0. À sa publication, la v1.0 propose 3 langues et 31 voix, contre 1 langue et 10 voix pour la v0.19. Dans sa carte Hugging Face archivée le 29 janvier 2025, Hexgrad déclare la v0.19 obsolète.
À quoi sert Kokoro 82M
Audio
Kokoro 82M lit du texte et produit de la parole. Dans la bibliothèque kokoro, la génération reçoit le texte à lire, la voix choisie et une vitesse de lecture, définie par le paramètre speed. Pour chaque segment, la bibliothèque renvoie le texte, ses phonèmes et l’audio.
Synthèse vocale
Kokoro 82M est un modèle de synthèse vocale à poids ouverts de 82 millions de paramètres. Selon Hexgrad, il peut être déployé dans des environnements de production comme dans des projets personnels, et il a déjà été déployé dans de nombreux projets et dans des API commerciales.
- Audio
- Synthèse vocale
Les langues et les voix de Kokoro 82M
Kokoro 82M v1.0 compte 8 langues et 54 voix.
L’anglais américain dispose de 11 voix féminines et 9 masculines, l’anglais britannique de 4 féminines et 4 masculines. Le japonais compte 4 voix féminines et 1 masculine, le mandarin 4 et 4, l’espagnol 1 et 2, le hindi 2 et 2, l’italien 1 et 1, et le portugais du Brésil 1 et 2.
Pour le français, Hexgrad ne recense qu’une voix féminine, ff_siwis, entraînée sur moins de 11 heures de données et dotée de la note globale B-. Le code de langue « f » sélectionne le français et doit correspondre à la voix utilisée. Les notes des voix estiment la qualité et la quantité des données d’entraînement, deux facteurs qui influencent le rendu.
Hexgrad avertit que la prise en charge des langues autres que l’anglais peut être faible ou absente, faute de données d’entraînement ou d’une conversion solide du texte en phonèmes, les unités sonores de la parole. Certaines langues ne disposent que d’une poignée de voix, voire d’une seule, comme le français.
Caractéristiques techniques de Kokoro 82M
Kokoro 82M repose sur les architectures StyleTTS 2 et ISTFTNet. Son architecture se limite au décodeur, sans diffusion, et aucun encodeur n’est publié. Ses poids sont publiés sous licence Apache 2.0.
La bibliothèque kokoro s’appuie sur misaki, la bibliothèque de conversion graphème-phonème (G2P) de Hexgrad, qui transforme les graphèmes du texte en phonèmes. Pour les mots anglais hors vocabulaire, espeak-ng sert de solution de repli ; il est aussi utilisé pour certaines langues autres que l’anglais.
- Éditeur
Hexgrad
- Sortie
- Hébergeurs
- DeepInfra, Together
Source : OpenRouter.
Comment Kokoro 82M a été entraîné
Selon Hexgrad, Kokoro 82M a été entraîné exclusivement sur des données audio sous licence permissive ou libres de droits, accompagnées d’étiquettes de phonèmes en alphabet phonétique international (IPA). Parmi les exemples cités figurent des enregistrements du domaine public, des contenus sous licence Apache, MIT ou équivalente, ainsi que de l’audio synthétique produit par des modèles de synthèse vocale fermés de grands fournisseurs. Aucun audio synthétique issu de modèles ouverts ni de clones de voix personnalisés n’a servi à l’entraînement.
Selon Hexgrad, le jeu de données d’entraînement représente au total quelques centaines d’heures d’audio. Pour la v1.0, les enregistrements comprennent SIWIS, avec moins de 11 heures sous licence CC BY 4.0, et Koniwa, avec moins d’une heure sous licence CC BY 3.0. L’entraînement des versions v0.19 et v1.0 a demandé au total 1 000 heures de GPU A100 80 Go.
Où utiliser Kokoro 82M
Kokoro 82M dispose d’une bibliothèque d’inférence publiée sur GitHub, qui s’installe avec la commande pip install kokoro. Hexgrad propose aussi une démonstration dans le Space Hugging Face hexgrad/Kokoro-TTS.
Sur les Mac équipés d’une puce M1 à M4, la variable d’environnement PYTORCH_ENABLE_MPS_FALLBACK=1 active l’accélération par le GPU. Sur OpenRouter, le modèle est référencé sous l’identifiant hexgrad/kokoro-82m, et la voix française ff_siwis figure parmi les voix proposées.
Hexgrad avertit qu’aucun site dont le domaine racine contient le mot kokoro n’appartient à l’auteur du modèle ni ne lui est affilié. Il ajoute que certains de ces sites sont probablement des arnaques qui se présentent sous le nom d’un modèle populaire, notamment ceux désignés comme kokorottsai_com et kokorotts_net.
L'API chez des hébergeurs
Servi par d'autres hébergeurs que Hexgrad, selon OpenRouter
Un accès gratuit dépend toujours de l'outil, de l'offre et de ses limites : nous ne l'attribuons pas au modèle seul.
FAQ
Quand Kokoro TTS est-il sorti ?
Kokoro-82M v0.19 a été publié le 25 décembre 2024, et la v1.0 a suivi le 27 janvier 2025.
Kokoro TTS peut-il lire des textes longs ?
Selon Hexgrad, la plupart des voix de Kokoro donnent leur meilleur sur une plage de 100 à 200 tokens, sur environ 500 possibles. Sur les énoncés longs, les voix ont tendance à se précipiter, surtout au-delà de 400 tokens. Pour atténuer cette accélération, Hexgrad suggère de découper le texte en énoncés plus courts ou de régler le paramètre speed.
Qui a créé Kokoro TTS ?
Kokoro-82M est publié par Hexgrad. Son architecture est due à Li et al., à l’origine de StyleTTS 2, et le modèle a été entraîné par @rzvzn.
Kokoro TTS peut-il être utilisé dans un projet commercial ?
Oui, selon Hexgrad, Kokoro est publié sous licence Apache et a déjà été déployé dans des projets et des API commerciales. Hexgrad se dit favorable à son déploiement dans des cas d’usage réels.
Usage sur OpenRouter
- Voix
- 2,68 M requêtes sur le dernier mois · 2e sur 20 des modèles les plus utilisés en Voix
Source : OpenRouter (openrouter.ai/rankings), au , données sous licence CC BY 4.0. Le volume traité via l'API OpenRouter mesure l'adoption, pas la qualité.