# Kokoro 82M（语音模型）

> hexgrad 的 Kokoro 82M 是一个小巧、口碑极佳的英语文本转语音模型，完全本地运行：28 个美式和英式预设音色，可用于 NPC 对话、旁白和 UI 台词。即使在 CPU 上也很快（llama.cpp）；不支持声音克隆。Apache-2.0，允许商用。

- ID: `aigd.tts-kokoro`
- 来源: 官方 (第一方 `aigd.*`)
- 分类: 音频
- 发布者: AI Game Dev (`aigd`), 已验证
- 最新版本: 1.0.3 (发布于 2026-11-22)
- 许可证: Apache-2.0
- 需要 AI Game Dev 应用: `>=0.32.0-beta.6`
- 原生代码: 否
- 评分: 暂无评分
- HTML 页面: https://ai-game.dev/zh-hans/packages/aigd.tts-kokoro

## 安装

使用 gamedev CLI，在项目文件夹中运行：

```bash
gamedev pkg add aigd.tts-kokoro
```

在桌面应用中：打开 Packages 窗口（状态栏中的包图标），选择 **Browse**，搜索 `aigd.tts-kokoro`，然后点击 **Add to Project**。更多：https://ai-game.dev/docs/wiki/app/packages

## 版本

| 版本 | 发布时间 | 需要应用 | 备注 |
|---|---|---|---|
| 1.0.3 | 2026-11-22 | `>=0.32.0-beta.6` | 最新 |
| 1.0.2 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## 描述

````markdown
# Kokoro 82M (`aigd.tts-kokoro`)

Kokoro 82M 是 hexgrad 的 [Kokoro-82M](https://huggingface.co/hexgrad/Kokoro-82M) v1.0，一个小巧的英语文本转语音模型，在 TTS Arena 上位居最佳开源模型之列。它提供 28 个预设音色，其中 20 个美式、8 个英式，不支持音色克隆。在 AI Game Dev 中，它通过 **本地语音**（`aigd.llamacpp`，llama.cpp）在你自己的电脑上运行，即使在 CPU 上速度也很快，因此适合需要大量英语语音台词、又没有大显存的开发者。

## 你可以做什么

- 为众多角色制作英语 NPC 对话、短促喊话和简短反应，靠音色以及美式或英式口音加以区分。
- 旁白、教程配音、菜单和 UI 播报。
- 在配音演员录制之前，用来为过场动画定节奏、测试对话树的临时语音台词。

## 示例请求

- “用英式男声为这五句店主台词配音，并保存到项目中。”
- “用默认音色朗读第 1 关的教程文本。”
- “把每条任务发布者的台词分别用 `am_michael` 和 `bf_emma` 各做一个版本，方便我对比。”
- “生成旁白开场白：‘王国在一夜之间覆灭……’”

## 亮点

|  |  |
|---|---|
| 模型 ID | `aigd.tts-kokoro.en-f32` |
| 语言 | 仅英语（音色决定使用美式还是英式口音） |
| 音色 | 28 个预设；默认 `af_heart` |
| 音色克隆 | 不支持 |
| 输出 | 24 kHz，单声道 |
| 每次请求的文本 | 最多 2,000 个字符 |
| 运行于 | NVIDIA（CUDA）、Vulkan 和 Mac（Metal）GPU，或 CPU |
| 下载 | 270 MB，2 个文件 |
| 许可证 | Apache-2.0，允许商业使用 |

## 运行方式

这个包只包含数据：它指明要用的模型文件。你接受许可证后，应用会从 Hugging Face 下载这些文件，用 sha256 逐一校验，然后通过 **本地语音**（`aigd.llamacpp`，llama.cpp）在你的电脑上运行。

## 下载

- **Kokoro 82M (English)**（`aigd.tts-kokoro.en-f32`）：270 MB，2 个文件，来自 [`ggml-org/Kokoro-82M-GGUF`](https://huggingface.co/ggml-org/Kokoro-82M-GGUF/tree/ed4a98eab16351c7d803ff011e88267a5b036666)，锁定到该提交：模型（`Kokoro-82M-F32.gguf`）和带音色的音频投影器（`mmproj-Kokoro-82M-F16.gguf`）。

## 适用哪些电脑

在 16 线程的 x86 CPU 上，它以约 4 倍于实时的速度合成语音，占用 0.6 GB 内存。在 Windows 的 RTX 4090 上，一句短台词在 CUDA 下相比基线多占不到 0.8 GiB 显存，在 Vulkan 下不到 0.5 GiB。

## 音色、语言和发音

- 音色：`af_heart`（默认）、`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`（美式）；`bf_alice`、`bf_emma`、`bf_isabella`、`bf_lily`、`bm_daniel`、`bm_fable`、`bm_george`、`bm_lewis`（英式）。
- 语言：仅英语。口音由音色决定：`a*` 系列的音色说美式英语，`b*` 系列的音色说英式英语。
- 不使用 eSpeak：英语文本通过 misaki 的发音词典和存放在模型文件中的词性标注器转换成音素。词典里没有的词（多半是生僻人名）会依据拼写推测，因此读法可能与 Kokoro 的参考配置略有不同——那套配置会向 eSpeak 询问这些词。该模型支持的其他语言（西班牙语、法语、印地语、意大利语、葡萄牙语、日语、中文）需要 eSpeak 来生成音素，因此没有提供。

## 许可证

Apache-2.0。允许商业使用。分享模型文件时，请保留 Apache-2.0 许可证和声明。

- hexgrad 的 Kokoro-82M：[模型卡片](https://huggingface.co/hexgrad/Kokoro-82M)，Apache-2.0。卡片列出了训练中使用的 CC BY 音频；其权重采用 Apache-2.0。
- 两个文件都来自 [`ggml-org/Kokoro-82M-GGUF`](https://huggingface.co/ggml-org/Kokoro-82M-GGUF)（Apache-2.0）：由 llama.cpp 在提交 `f3ff3571791e39611d31c381e3a41a3af07b4987` 处自动转换 `hexgrad/Kokoro-82M` 而来，投影器文件中包含全部 54 个音色（应用提供其中 28 个英语音色）。
- 由转换器内建到模型文件中的内容：
  - misaki 的英语发音词典 —— Apache-2.0（[许可证](https://github.com/hexgrad/misaki/blob/main/LICENSE)）；
  - NLTK 的英语平均感知机标注器 —— MIT（[源码](https://github.com/sloria/textblob-aptagger)）。

必须注明的署名："Kokoro-82M by hexgrad, Apache-2.0. Pronunciation data from misaki (hexgrad, Apache-2.0) and the NLTK averaged perceptron tagger (MIT)."

限制：

- 如果你分享模型文件，请附上 Apache-2.0 许可证，并保留 hexgrad 的声明（以及其中存放的 NLTK 标注器的 MIT 声明）。

你有责任遵守所下载模型的许可证。所有文件都从 Hugging Face 下载，AI Game Dev 不托管这些文件。
````
