このページは英語から機械翻訳されています。英語の原文を読む。

Kokoro 82M(音声モデル)

公式オーディオv1.0.3aigd.tts-kokoro
インストール アプリがまだない方は 無料でダウンロード
またはターミナルから
gamedev pkg add aigd.tts-kokoro

概要

hexgradのKokoro 82Mは、高い評価を得ている小型の英語テキスト読み上げモデルで、ローカルで実行できます。NPCの会話、ナレーション、UIのセリフ向けに、アメリカ英語とイギリス英語のプリセット音声を28種類収録。llama.cppによりCPUでも高速に動作し、音声クローニングには対応していません。Apache-2.0で、商用利用が可能です。

Kokoro 82MはhexgradのKokoro-82M v1.0で、TTS Arenaで最高のオープンモデルの一つに数えられる小型の英語テキスト読み上げモデルです。28種類のプリセットボイス(アメリカ英語20、イギリス英語8)で話し、声のクローンは行いません。AI Game DevではLocal speech(aigd.llamacpp、llama.cpp)を通じてお使いのコンピューター上で動作し、CPUでも高速なので、大きなGPUなしで大量の英語ボイスが必要な開発者に適しています。

作成できるもの

  • 多くのキャラクター向けの英語のNPCセリフ、バーク、短い反応。声とアメリカ英語かイギリス英語かのアクセントで聞き分けられます。
  • ナレーション、チュートリアルのボイスオーバー、メニューやUIのアナウンス。
  • アクターの収録前にカットシーンのタイミングを合わせたり、ダイアログツリーをテストしたりするための仮ボイス。

リクエスト例

  • 「この店主のセリフ5つをイギリス英語の男性ボイスで読み上げて、プロジェクトに保存して」
  • 「レベル1のチュートリアルテキストをデフォルトのボイスで読んで」
  • 「各クエスト依頼人のセリフを、am_michaelを使った版とbf_emmaを使った版の両方で作って、聞き比べられるようにして」
  • 「ナレーターのイントロを生成して:『王国は一夜にして滅びた…』」

ハイライト

モデルIDaigd.tts-kokoro.en-f32
言語英語のみ(ボイスによってアメリカ英語またはイギリス英語のアクセントになる)
ボイスプリセット28種類、デフォルトはaf_heart
ボイスクローン不可
出力24 kHz、モノラル
リクエストあたりのテキスト最大2,000文字
動作環境NVIDIA(CUDA)、Vulkan、Mac(Metal)のGPU、またはCPU
ダウンロード270 MB、2ファイル
ライセンスApache-2.0、商用利用可

実行方法

このパッケージはデータのみで、モデルファイルを指定するものです。ライセンスに同意すると、アプリがHugging Faceからファイルをダウンロードし、それぞれをsha256で検証して、お使いのコンピューター上でLocal speech(aigd.llamacpp、llama.cpp)により実行します。

ダウンロード

  • Kokoro 82M(英語)(aigd.tts-kokoro.en-f32):270 MB、ggml-org/Kokoro-82M-GGUFから取得する2ファイルで、そのコミットに固定されています。モデル(Kokoro-82M-F32.gguf)と、ボイスを含むオーディオプロジェクター(mmproj-Kokoro-82M-F16.gguf)です。

動作するコンピューター

16スレッドのx86 CPUでは、0.6 GBのメモリでリアルタイムの約4倍の速さで読み上げます。WindowsのRTX 4090では、短いセリフでCUDAのVRAM使用量がベースラインから0.8 GiB未満、Vulkanでは0.5 GiB未満に収まりました。

ボイス、言語、発音

  • ボイス:af_heart(デフォルト)、af_alloy、af_aoede、af_bella、af_jessica、af_kore、af_nicole、af_nova、af_river、af_sarah、af_sky、am_adam、am_echo、am_eric、am_fenrir、am_liam、am_michael、am_onyx、am_puck、am_santa(アメリカ英語)、bf_alice、bf_emma、bf_isabella、bf_lily、bm_daniel、bm_fable、bm_george、bm_lewis(イギリス英語)。
  • 言語:英語のみ。アクセントはボイスで決まり、a*のボイスはアメリカ英語、b*のボイスはイギリス英語を話します。
  • eSpeakは使いません:英語テキストは、misakiの発音辞書と、モデルファイルに格納された品詞タガーによって音素に変換されます。辞書にない単語(主に珍しい名前)は綴りから推測されるため、そうした単語をeSpeakに問い合わせるKokoroの参照構成とは少し違った発音になることがあります。モデルの他の言語(スペイン語、フランス語、ヒンディー語、イタリア語、ポルトガル語、日本語、中国語)は音素の生成にeSpeakを必要とするため、提供されていません。

ライセンス

Apache-2.0。商用利用が可能です。モデルファイルを共有する際は、Apache-2.0ライセンスと通知を添えてください。

  • hexgradによるKokoro-82M:model card、Apache-2.0。カードには学習に使用されたCC BYの音声が記載されていますが、その重みはApache-2.0です。
  • 両方のファイルはggml-org/Kokoro-82M-GGUF(Apache-2.0)から取得しています:コミットf3ff3571791e39611d31c381e3a41a3af07b4987のhexgrad/Kokoro-82Mをllama.cppが自動変換したもので、プロジェクターファイルには54種類すべてのボイスが含まれています(アプリではそのうち英語の28種類を提供します)。
  • コンバーターによってモデルファイルに組み込まれたもの:
    • misakiの英語発音辞書 — Apache-2.0(licence)。
    • 英語用のNLTK averaged perceptron tagger — MIT(source)。

必要な表示:"Kokoro-82M by hexgrad, Apache-2.0. Pronunciation data from misaki (hexgrad, Apache-2.0) and the NLTK averaged perceptron tagger (MIT)."

制限事項:

  • モデルファイルを共有する場合は、Apache-2.0ライセンスを含め、hexgradの通知(およびファイル内に格納されているNLTK taggerのMIT通知)を保持してください。

ダウンロードしたモデルのライセンスを遵守する責任は利用者にあります。すべてのファイルはHugging Faceからダウンロードされます。AI Game Devはそれらをホストしていません。

バージョン

Kokoro 82M(音声モデル)のリリース
バージョンリリース日アプリが必要
1.0.3最新0.32.0-beta.6 以降
1.0.20.32.0-beta.6 以降

インストール

デスクトップアプリで

Packages ウィンドウを開き(ステータスバーのパッケージアイコン)、Browse を選んで aigd.tts-kokoro を検索し、Add to Project をクリックします。

アプリがまだない方は、Windows、macOS、Linux 用の AI Game Dev を無料でダウンロードしてください。

ターミナルから

gamedev CLI を使い、プロジェクトフォルダーで実行します。

gamedev pkg add aigd.tts-kokoro

必要条件

  • AI Game Dev 0.32.0-beta.6 以降

パッケージについて詳しく

インストール
gamedev pkg add aigd.tts-kokoro