Kokoro 开源中文语音合成TTS模型应用示例（比ChatTTS速度快）

Github

• https://github.com/hexgrad/kokoro

简介

Kokoro是一个开放权重的 TTS 模型，拥有 8200 万个参数。尽管它采用轻量级架构，但其质量却可与大型模型媲美，而且速度更快、成本更低。凭借 Apache 许可的权重，Kokoro 可部署在从生产环境到个人项目的任何地方。

Kokoro 模型

• 英文：https://huggingface.co/hexgrad/Kokoro-82M

• 中文：https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh

中文模型

git clone https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh

安装依赖

依赖包	作用
kokoro	主要的 TTS 语音合成库
torch	运行深度学习模型（kokoro 依赖 PyTorch）
sounddevice	直接播放音频流
soundfile	处理 .wav 音频数据
pathlib	（标准库，无需安装） 处理文件路径

pip install kokoro torch sounddevice soundfile pathlib
pip install numpy==1.26.4

pip install kokoro "misaki[zh]" soundfile --index-url https://pypi.tuna.tsinghua.edu.cn/simple

完整示例

from kokoro import KModel, KPipeline
from pathlib import Path
import sounddevice as sd
import soundfile as sf
import torch
import datetime

REPO_ID = 'hexgrad/Kokoro-82M-v1.1-zh'
SAMPLE_RATE = 24000
VOICE = 'zf_001' if True else 'zm_010'

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = KModel(repo_id=REPO_ID).to(device).eval()
zh_pipeline = KPipeline(lang_code='z', repo_id=REPO_ID, model=model)

def speed_callable(len_ps):
    speed = 0.8
    if len_ps <= 83:
        speed = 1
    elif len_ps < 183:
        speed = 1 - (len_ps - 83) / 500
    return speed * 1.1

def ttsWav(text):
    path = Path(__file__).parent
    generator = zh_pipeline(text, voice=VOICE, speed=speed_callable)
    
    current_datetime = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
    f = path / f'zh_{current_datetime}.wav'
    result = next(generator)
    wav = result.audio
    sf.write(f, wav, SAMPLE_RATE)

def ttsPlay(text):
    generator = zh_pipeline(text, voice=VOICE, speed=speed_callable)
    result = next(generator)
    wav = result.audio
    sd.play(wav, SAMPLE_RATE, blocking=True)
    sd.wait()

if __name__ == "__main__":
    ttsPlay('支付宝到账6000万元')
    # ttsPlay('支付宝到账8000万元')
    # ttsPlay('支付宝到账9000万元')
    ttsWav('支付宝到账1000万元')

• 播放 .wav 文件

afplay zh_20250329_105237.wav