Kokoro

只有 8200 万参数的 Apache 2.0 语音模型,54 种预设音色、8 种语言。极受欢迎、速度快,但不能克隆声音。

一句话概括. Kokoro 是一个很小的文本转语音模型,用 54 种现成音色、八种语言朗读文字。它轻到笔记本的处理器就能跑,Apache 2.0 许可证允许用在产品里,也是我们收录的模型中下载量最高的开放语音模型。它不能从样本复制新的声音,最近一次模型发布是在 2025 年 2 月。

概述

Kokoro 是开放的文本转语音模型,由独立开发者 hexgrad 训练并发布。第一个版本出现在 2024 年 12 月 25 日。2025 年 1 月 27 日发布的 1.0 版有 8200 万参数,是一个 327 MB 的 PyTorch 检查点,外加每个音色一个小文件,大小与 32 位权重吻合。它基于 StyleTTS 2 的设计,配 ISTFTNet 声码器,用作者的话说是“只有解码器”:没有扩散步骤,也没有发布声音编码器。文字由作者的 misaki 库转成音素,espeak-ng 作为后备,kokoro Python 包把两者封装在一起。截至 2026 年 11 月 11 日的 30 天内,Hugging Face 统计下载约 1250 万次,比本站任何其他语音模型都多得多。

1.0 版有 54 种音色、八种语言:美式和英式英语、日语、普通话、西班牙语、法语、印地语、意大利语和巴西葡萄牙语,模型卡把两种英语口音算作一种语言。音色页面按训练数据的质量和数量给每个音色评级。多数非英语音色训练数据很少,法语只有一个音色,作者也提醒,由于音素转换器和训练数据不足,英语以外的支持可能较弱。另有一个 v1.1-zh 检查点,2025 年 2 月 26 日发布,增加了约 100 个中文音色,总共 2 种语言 103 个音色。作者说它不是严格意义上的升级,因为去掉了许多旧音色。

训练数据的描述得相当公开,这在同类模型里不多见。Kokoro 用几百小时的音频训练,开发者称这些音频是许可宽松或不受版权保护的:公有领域音频、Apache 和 MIT 等许可证下的音频,以及大型服务商的闭源文本转语音模型生成的合成语音,没有使用开放模型或声音克隆生成的语音。需要署名的两个数据集 Koniwa 和 SIWIS 已在模型卡里列出。作者给出的整个训练成本约为 1000 美元、1000 个 A100 80GB 小时。这些是开发者自己的数字。Kyutai 2026 年 1 月的笔记本测试发现 Kokoro 在 CPU 上比实时更快,对比中只有两个模型做到了这一点。

代价是灵活性。音色是固定的,因为没有发布编码器,模型无法从样本克隆声音。音色页面说,多数音色在约 100 到 200 个 token 的文本上效果最好,对很短的文本表现较弱,超过约 400 个 token 时可能说得太赶,所以长文本应当切块。自 2025 年 2 月以来没有新的模型发布,作者是个人而不是公司。

适合做什么

  • 快速旁白、朗读功能和助手语音,只要固定音色够用
  • 在 CPU、浏览器或小型服务器上运行,因为模型只有 8200 万参数
  • 商业产品,因为权重是 Apache 2.0,模型卡也说明了训练数据
  • 英语文本转语音,评级最高的音色是美式英语

需要注意

  • 不能克隆声音,只能使用预设音色
  • 英语以外的质量差异很大,法语只有一个音色,投入前先听一听你的语言
  • 很短或很长的输入可能效果弱或说得太赶,长文本要切块
  • 部分训练音频是闭源文本转语音服务生成的合成语音,开发者认为它不受版权保护,如果来源对你的法务很重要,请自行核对这一说法
  • 它需要音素转换器,可能要单独安装 espeak-ng
  • 开发者是没有公司支撑的独立作者,不要指望有支持

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 Kokoro 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
Kokoro-82M v1.0 FP32 82M 0.33 GB 0.38 GB 笔记本或手机
Kokoro-82M v1.1-zh (Chinese and English) FP32 82M 0.33 GB 0.38 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。

许可证,用大白话说

最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。

进一步了解 Apache 2.0

延伸阅读

常见问题

Kokoro 是什么?
Kokoro 是一个很小的文本转语音模型,用 54 种现成音色、八种语言朗读文字。它轻到笔记本的处理器就能跑,Apache 2.0 许可证允许用在产品里,也是我们收录的模型中下载量最高的开放语音模型。它不能从样本复制新的声音,最近一次模型发布是在 2025 年 2 月。
Kokoro 可以商用吗?
可以。Kokoro 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
Kokoro 是开源的吗?
Kokoro 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
我能在自己的电脑上运行 Kokoro 吗?
可以。最小版本 Kokoro-82M v1.0 在 4 位精度下约需 0.38 GB 内存,现代笔记本或中端显卡即可胜任。
Kokoro 是什么时候发布的?
Kokoro 由 hexgrad 于 2025年1月27日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
Pocket TTS Kyutai 18M – 100M – CC BY 4.0 (宽松) 0.127 GB 笔记本或手机
Phonon 31M Gradium 31M – Apache 2.0 (宽松) 0.0747 GB 笔记本或手机
Supertonic 3 Supertone 99M – OpenRAIL-M (附条件) 0.46 GB 笔记本或手机
MOSS-TTS-Nano OpenMOSS 100M – Apache 2.0 (宽松) 0.276 GB 笔记本或手机