Kokoro-82M açıklaması: Local TTS neden cihazda çalıştırır

Bir sesli okuma uygulaması bir sayfayı okurken gördüğünüz denetimler deneyimin yalnızca bir parçasıdır. Arkadaki model, sesin doğal çıkıp çıkmadığını, ritmini koruyup korumadığını, cümleyi net söyleyip söylemediğini ve bir işleme görevi gibi değil bir okuyucu gibi hissettirecek kadar hızlı yanıt verip vermediğini belirler.

Local TTS, Amerikan ve İngiliz İngilizcesi sinir ağı sesleri için Kokoro-82M kullanır. Model bir iPhone veya iPad’de çalışacak kadar küçük, buna karşın uzun metinleri dinlemeyi doğal kılacak kadar yetenekli. En önemlisi de metin ve üretilen konuşma cihazınızda kalır.

Python, terminal, model dosyaları veya bir API anahtarı gerekmez. Local TTS’e metin yapıştırın, bir belge içe aktarın ya da basılı bir sayfayı tarayın ve oynat düğmesine basın.

Resmî görsel ve teknik kaynaklar: kapak, hexgrad/Kokoro-82M model deposu için Hugging Face’in resmî sosyal önizleme görselidir ve değiştirilmeden kullanılmıştır; yapay zekâ üretimi bir illüstrasyon değildir. Aşağıdaki mimari, yayın, eğitim ve lisans ayrıntıları o model kartına dayanır; ses sayıları ve kalite sınırları ise resmî VOICES.md dosyasına.

Tek cümlelik yanıt

Kokoro-82M, 82 milyon parametreli, açık ağırlıklı bir metin okuma modelidir; birçok daha büyük ses modelinden çok daha az işlem gücüyle doğal 24 kHz konuşma üretir ve bu da onu cihaz üzerinde özel okuma için güçlü bir seçenek yapar.

Bu denge önemlidir. Bir model güçlü bir GPU’lu sunucuda harika duyulabilir ve yine de telefon için yanlış tercih olabilir. Local TTS’in ihtiyacı doğal konuşma, makul bellek kullanımı, akıcı oynatma ve buluta hiç uğramamaktır. Kokoro bu birleşimi İngilizce için mümkün kılar.

Kokoro-82M nedir?

Kokoro-82M, hexgrad tarafından geliştirilen bir sinir ağı metin okuma modelidir. “82M”, yaklaşık 82 milyon parametreye işaret eder. Resmî Kokoro model kartı onu, daha büyük sistemlerle karşılaştırılabilir kalite sunarken daha hızlı ve daha ekonomik kalmak üzere tasarlanmış açık ağırlıklı bir model olarak tanımlar.

Sürüm 1.0, 27 Ocak 2025’te yayımlandı. Model kartına göre birkaç yüz saatlik izin verici lisanslı, kamu malı ve sentetik ses üzerinde eğitildi. Ağırlıkları Apache 2.0 lisansını kullanıyor.

Kokoro, anlatımlı konuşma stillerini modellemek için tasarlanmış StyleTTS 2 ile model çıktısını verimli biçimde ses dalgasına çeviren hafif bir sinir ağı vokoderi olan ISTFTNet üzerine kuruludur. Kokoro’nun herkese açık sürümü StyleTTS 2’nin tüm eğitim sistemi değildir: model kartı onu, difüzyon bileşeni ve yayımlanmış bir kodlayıcı olmaksızın yalnızca kod çözücü olarak tanımlar.

Sade bir dille söylersek Kokoro, fonetik metni ve seçilmiş bir ses stilini sese dönüştürmek için gereken parçayı paketler; çok daha büyük, genel amaçlı bir yapay zekâ modelinin yükünü taşımadan.

Telefonda 82 milyon parametre neden önemli

Parametre sayısı bir puan değildir. Daha büyük bir model daha çok nüans yakalayabilir, ama genellikle daha fazla bellek, işlem, enerji ve zaman da ister. Bu maliyetler, uygulama kısa bir tanıtım cümlesi üretmek yerine bir bölümü okumak zorunda kaldığında görünür hâle gelir.

Kokoro’nun küçük boyutu, Local TTS’e modelin çevresine eksiksiz bir okuma deneyimi kurma alanı bırakır:

• Cihazda üretim: konuşma uzak bir sunucuyu beklemek yerine yerel olarak üretilir.
• Akıcı okuma: uygulama, geçerli cümle çalarken sonraki cümleleri hazırlayabilir.
• Uzun metinlerde kullanışlılık: PDF, EPUB ve makaleler bir seslendirme API’sine karakter başına ödeme yapmadan okunabilir.
• Çevrimdışı erişilebilirlik: ses uçakta, yolda ya da bağlantının güvenilmez olduğu her yerde çalışmayı sürdürür.
• Mimariden gelen gizlilik: yapıştırdığınız metnin ve içe aktardığınız belgelerin konuşma üretimi için yüklenmesi gerekmez.

Bu yüzden burada “küçük” bir ürün avantajıdır. Amaç parametre sayısı yarışını kazanmak değil, oynat düğmesine bastığınız her an yüksek kaliteli konuşmayı hazır etmektir.

Local TTS neden Kokoro-82M kullanıyor

Bir modeli gerçek bir okuma uygulamasının içinde kullanmak, ağırlıkları uygulama paketine koymaktan fazlasını gerektirir. Metnin normalleştirilmesi, anlamlı sınırlardan bölünmesi, oynatmadan önce konuşmaya dönüştürülmesi, önbelleğe alınması, vurgulanması ve ekran kilitlendiğinde çalmaya devam etmesi gerekir.

1. Doğal Amerikan ve İngiliz İngilizcesi sesleri

Kokoro v1.0, resmî ses kataloğunda 20 Amerikan ve 8 İngiliz İngilizcesi sesi yayımlıyor. Local TTS bu 28 İngilizce sesin tamamını tam kataloğunda, farklı aksanlar, cinsiyetler ve ses karakterleriyle sunuyor.

Yüksek kaliteli üç İngilizce ses ücretsiz sürümde yer alır; böylece Pro’ya ihtiyacınız olup olmadığına karar vermeden önce modeli kendi metninizde duyabilirsiniz.

2. Model uygulamayla birlikte gelir, API üzerinden çağrılmaz

Local TTS konuşma modelini uygulamayla birlikte taşır. Metin girdiğinizde uygulama onu iPhone veya iPad’inizde konuşmaya çevirir. Belgeyi alan bir seslendirme sağlayıcısı, sunucu kuyruğu ya da hesap zorunluluğu yoktur.

Bu, çevrimiçi bir hizmete yapıştırmak istemeyebileceğiniz malzemeler için özellikle işe yarar: yayımlanmamış bir müsvedde, bir iş belgesi, kişisel bir not ya da ders materyali. iCloud eşitlemesini kullanıyorsanız notlarınız kendi iCloud hesabınız üzerinden eşitlenebilir; konuşma üretimi yine cihazda gerçekleşir.

3. İki optimize yol dinlemeyi pratik tutuyor

Local TTS, ön planda akıcı üretim için Apple’ın MLX ve Metal teknolojilerini kullanır. Ayrıca optimize edilmiş bir Core ML yolu kullanır; böylece arka planda oynatma ve ses dışa aktarımı sırasında da konuşma bir bulut yedeğine bağlı kalmadan hazırlanmayı sürdürebilir.

Bu yolların hiçbirini yönetmeniz gerekmez. Uygulama aynı sesi ve aynı okuma denetimlerini koruyarak uygun motoru kendisi seçer.

4. Bir ses modeli eksiksiz bir okuyucuya dönüşüyor

Kokoro konuşma üretir. Local TTS bu yeteneği her gün kullanabileceğiniz bir şeye çevirir:

• Bir makale yapıştırın ya da bir not yazın.
• PDF, EPUB, Word, TXT ve Markdown dosyalarını içe aktarın.
• Basılı bir sayfayı cihazdaki metin tanımayla tarayın.
• Oynatma sırasında kelime kelime vurgulamayı takip edin.
• Her not için sesi ve okuma hızını değiştirin.
• Kilit ekranından veya Denetim Merkezi’nden dinlemeyi sürdürün.
• Pro ile konuşmayı M4A dosyası olarak dışa aktarın.

Local TTS’i App Store’dan ücretsiz indirin ve Kokoro-82M’i model kurmadan, terminal açmadan deneyin.

Kokoro, Local TTS’in 31 dilinin tamamını karşılıyor mu?

Hayır — ve bu ayrım önemli. Kokoro, Local TTS’in Amerikan ve İngiliz İngilizcesi ses kataloğunu besler. Uygulamanın 31 dilli sesi, cihazda çalışan ayrı bir çok dilli seslendirme motoru olan Supertonic 3 tarafından sağlanır.

Supertonic 3 rehberimiz, tek bir Local TTS sesinin desteklenen 31 dilin tamamını çevrimdışı nasıl okuduğunu gösteriyor.

Kokoro v1.0’ın herkese açık sürümü sekiz dilde ses içeriyor, ancak projenin kendi ses notları İngilizce dışındaki desteğin zayıf kalabileceği uyarısını yapıyor; çünkü telaffuz araçları ve eğitim verisi dilden dile değişiyor. Local TTS şu anda Kokoro’yu mobil uygulamasının en güçlü olduğu yerde kullanıyor: İngilizcede. Korece, Japonca, İspanyolca, Fransızca, Almanca ve uygulamanın desteklediği diğer dilleri Supertonic 3 karşılıyor.

İki motor da yerelde çalışır. Başka bir dil seçmek sizi bir bulut hizmetine geçirmez.

Gerçek kullanımda ses kalitesini ne etkiler?

Aynı ses her metinde eşit derecede doğal duyulmaz. Şu ayrıntılar fark edilir bir etki yapar:

1. Noktalama: virgüller, noktalar ve paragraf araları modele öbekleme konusunda işe yarar ipuçları verir.
2. Adlar ve uzmanlık terimleri: seyrek adlar, kısaltmalar ve marka adları fonetik yazım ya da küçük bir metin düzenlemesi gerektirebilir.
3. Cümle uzunluğu: çok kısa parçalar ani duyulabilir; çok uzun, soluksuz cümleler ise aceleye gelebilir.
4. Sayılar ve simgeler: tarihler, Roma rakamları, formüller ve alışılmadık simgeler seslendirildiğinde belirsiz kalabilir.
5. Ses seçimi: bir roman için iyi işleyen ses, düzelti ya da teknik notlar için daha az uygun gelebilir.

Local TTS yaygın uç durumları normalleştirir ve uzun metni pratik sentez birimlerine böler. En iyi sonuç için kaynak metnin noktalamasını düzgün tutun ve gerçekten dinlemeyi planladığınız malzemeyle birkaç sesi önizleyin.

Kokoro etkileyicidir, kusursuz değildir

Resmî ses kataloğu, ses kalitesinin eğitim verisinin miktarı ve niteliğiyle değiştiğini belirtiyor. Ayrıca seslerin kabaca 100–200 belirteçlik orta bir aralıkta en iyi sonucu verme eğiliminde olduğunu söylüyor; çok kısa ifadeler daha zayıf, çok uzun olanlar aceleci çıkabiliyor. Local TTS bu uçları cümle farkındalıklı hazırlık ve parçalamayla azaltır, ama her telaffuzu kusursuz yapamaz.

Kokoro ayrıca açık ağırlıklı bir modeldir; eksiksiz bir açık kaynak eğitim sürümü değil. İndirilebilir ağırlıklar Apache lisanslıdır, model kartına göre kodlayıcı ve tam eğitim sistemi ise yayımlanmamıştır.

Telaffuzun kritik olduğu işlerde sonucu önce dinleyin ve sesi dışa aktarmadan ya da yayımlamadan önce adları, kısaltmaları ve teknik dili denetleyin. Paylaşılan her ses ayrıca sentetik olarak üretilmiş konuşma olarak belirtilmelidir.

Sık sorulan sorular

Local TTS gerçekten Kokoro-82M mi kullanıyor?

Evet. Local TTS’teki Amerikan ve İngiliz İngilizcesi sinir ağı seslerini Kokoro-82M v1.0 sağlıyor. Model ağırlıkları ve ses verileri cihazda kullanılmak üzere uygulamayla birlikte geliyor.

İnternet olmadan çalışıyor mu?

Evet. Local TTS kurulduktan sonra konuşma üretimi çevrimdışı çalışır. Metninizi sese çevirmek için internet bağlantısı gerekmez.

Local TTS’te kaç Kokoro sesi var?

Local TTS’in tam kataloğunda 28 İngilizce Kokoro sesi bulunur: 20 Amerikan, 8 İngiliz. Ücretsiz sürüm seçilmiş üç İngilizce sesi ve uygulamanın çok dilli sesini içerir.

Local TTS konuşma üretmek için PDF’imi veya metnimi yüklüyor mu?

Hayır. İçe aktarılan dosyalar, yapıştırılan metin, metin tanıma ve konuşma üretimi cihazda işlenir. Hesap, reklam ve izleme yoktur.

Kokoro’yu ayrıca indirmem gerekir mi?

Hayır. Hugging Face, Python, komut satırı ya da API anahtarı gerekmez. Local TTS modeli ve okuma arayüzünü birlikte paketler.

Kokoro, Korece ve diğer desteklenen diller için de kullanılıyor mu?

Local TTS’te hayır. Kokoro İngilizce kataloğu için kullanılır; uygulamanın 31 dilli cihaz içi sesini Supertonic 3 sağlar.

Kokoro-82M’i kendi metninizde dinleyin

Kokoro-82M önemlidir, çünkü doğal sinir ağı konuşmasını bir tanıtım sayfasının ya da bulut API’sinin ötesinde kullanışlı kılar. Local TTS bu modeli; belge içe aktarma, metin tanıma, vurgulama, arka planda oynatma, ses denetimleri ve ses dışa aktarma özellikleriyle çevrimdışı bir okuyucuya taşır.

Bir paragraf yapıştırın, uzun süredir okumayı düşündüğünüz PDF’i içe aktarın ya da basılı bir sayfanın fotoğrafını çekin. Sonra bir İngilizce ses seçin ve dinleyin — metniniz baştan sona cihazınızda kalır.

Local TTS’i App Store’dan ücretsiz indirin ve Kokoro-82M’i iPhone veya iPad’inizde dinleyin.