यह टूल क्या करता है
यह टेक्स्ट से आवाज़ टूल अंग्रेज़ी टेक्स्ट को स्वाभाविक AI आवाज़ों में पढ़कर सुनाता है और नतीजे को WAV फ़ाइल के रूप में डाउनलोड करने देता है। यह hexgrad के 8.2 करोड़ पैरामीटर वाले खुले स्पीच सिंथेसिस मॉडल Kokoro-82M को kokoro-js लाइब्रेरी और Transformers.js के ज़रिए चलाता है। सब कुछ आपके ब्राउज़र में होता है: न खाता, न अक्षरों की सीमा, और न कोई सर्वर जो आपका लिखा देखे।
मॉडल छोटा है, इसलिए सामान्य लैपटॉप पर चल जाता है। WebGPU वाले ब्राउज़र (नए Chrome और Edge) में यह ग्राफ़िक्स कार्ड पर पूरी सटीकता वाला मॉडल चलाता है; बाकी जगह CPU पर 8-बिट क्वांटाइज़्ड संस्करण चलता है, जो छोटा है और फिर भी साफ़ सुनाई देता है।
इस्तेमाल कैसे करें
- मॉडल डाउनलोड करें और शुरू करें पर क्लिक करें। पहली बार मॉडल (CPU पर लगभग 92 MB, WebGPU के साथ लगभग 326 MB) डाउनलोड होकर ब्राउज़र में कैश हो जाता है। प्रोग्रेस बार बताता है कितना बाकी है। अगली बार यह कैश से कुछ सेकंड में लोड होगा।
- अपना टेक्स्ट लिखें या पेस्ट करें, या छोटा पैराग्राफ़ आज़माने के लिए नमूना पर क्लिक करें। लिखते समय अक्षरों की संख्या और अनुमानित ऑडियो अवधि अपडेट होती रहती है।
- एक आवाज़ चुनें और गति 0.5× से 2× के बीच रखें।
- आवाज़ बनाएँ पर क्लिक करें। लंबा टेक्स्ट वाक्य जितने हिस्सों में बँटकर एक-एक करके बोला जाता है, साथ में “हिस्सा 3 / 12” जैसा काउंटर दिखता है। जल्दी खत्म करने और अब तक बना ऑडियो रखने के लिए रोकें दबाएँ।
- प्लेयर में सुनें, फिर 24 kHz मोनो फ़ाइल सहेजने के लिए WAV डाउनलोड करें पर क्लिक करें।
अलग-अलग फ़ाइलें चाहिए तो आउटपुट को हर लाइन की अलग फ़ाइल पर रखें: हर खाली न रहने वाली लाइन नंबर वाली अलग WAV (01-…, 02-…) बनती है, और सब डाउनलोड करें (ZIP) सबको एक साथ सेव करता है।
शेयर बटन आपके टेक्स्ट, आवाज़ और गति वाला लिंक कॉपी करता है, ताकि कोई और अपने ब्राउज़र में वही आवाज़ बना सके।
आवाज़ें और भाषाएँ
Kokoro की ब्राउज़र आवाज़ें सिर्फ़ अंग्रेज़ी बोलती हैं। अमेरिकी अंग्रेज़ी की 20 आवाज़ें (11 महिला, 9 पुरुष) और ब्रिटिश अंग्रेज़ी की 8 आवाज़ें (4 महिला, 4 पुरुष) हैं। सूची में हर आवाज़ के साथ मॉडल कार्ड का कुल ग्रेड दिखता है; Heart और Bella (अमेरिकी, महिला) सबसे ऊँचे ग्रेड वाली हैं, जबकि Emma (ब्रिटिश, महिला) और Fenrir, Michael, Puck (अमेरिकी, पुरुष) अच्छे विकल्प हैं।
उच्चारण espeak-ng फ़ोनेमाइज़र से आता है, इसलिए नाम, संक्षिप्त रूप और संख्याएँ आम तौर पर सही पढ़ी जाती हैं, लेकिन असामान्य शब्दों को दूसरे तरीके से लिखना पड़ सकता है। अगर टेक्स्ट का ज़्यादातर हिस्सा दूसरी लिपि में है, तो टूल चेतावनी देता है, क्योंकि उन अक्षरों को बोला नहीं जा सकता।
उदाहरण
नमूना पैराग्राफ़ लोड करें, डिफ़ॉल्ट आवाज़ Heart रहने दें और बनाएँ दबाएँ। दो पंक्तियाँ दो हिस्से बनती हैं और कुछ सेकंड में लगभग बीस सेकंड की आवाज़ मिलती है, जिसमें पैराग्राफ़ों के बीच छोटा ठहराव होता है। ब्रिटिश पुरुष वाचक के लिए George चुनें, या तेज़ पढ़ाई के लिए गति 1.3× करें और फिर से बनाएँ।
ज़रूरतें और निजता
टूल को WebAssembly और Web Worker वाला आधुनिक ब्राउज़र चाहिए: डेस्कटॉप या मोबाइल पर नया Chrome, Edge, Firefox या Safari। WebGPU ज़रूरी नहीं है, यह सिर्फ़ गति बढ़ाता है। कम मेमोरी वाले फ़ोन लंबे टेक्स्ट में अटक सकते हैं; WebGPU विफल हो तो सिर्फ़ CPU चुनें। मॉडल फ़ाइलें Hugging Face से और ONNX Runtime इंजन एक सार्वजनिक CDN से आता है; हर आवाज़ की फ़ाइल (लगभग 0.5 MB) पहली बार इस्तेमाल करने पर डाउनलोड होती है। कैश होने के बाद आवाज़ बनाना ऑफ़लाइन भी चलता है।
अक्सर पूछे जाने वाले सवाल
› क्या मेरा टेक्स्ट किसी सर्वर पर अपलोड होता है?
नहीं। आवाज़ आपके ब्राउज़र में चलने वाले मॉडल से आपके ही डिवाइस पर बनती है। पेज Hugging Face से मॉडल फ़ाइलें सिर्फ़ एक बार डाउनलोड करता है, लेकिन आपका टेक्स्ट और ऑडियो कभी पेज से बाहर नहीं जाते।
› यह कौन-सी भाषाएँ बोलता है?
सिर्फ़ अंग्रेज़ी। ब्राउज़र के लिए Kokoro-82M v1.0 में 28 आवाज़ें हैं, 20 अमेरिकी लहजे में और 8 ब्रिटिश लहजे में। हिंदी, चीनी, अरबी या रूसी जैसी दूसरी भाषाओं या लिपियों का टेक्स्ट छोड़ दिया जाएगा या ग़लत बोला जाएगा।
› डाउनलोड कितना बड़ा है, और क्या हर बार करना पड़ेगा?
CPU पर चलने वाले 8-बिट मॉडल के लिए लगभग 92 MB, या WebGPU के साथ इस्तेमाल होने वाले पूरी सटीकता वाले मॉडल के लिए लगभग 326 MB, साथ में ONNX Runtime इंजन और हर आवाज़ की एक छोटी फ़ाइल। ब्राउज़र सब कुछ कैश कर लेता है, इसलिए अगली बार दोबारा डाउनलोड किए बिना कुछ सेकंड में शुरू हो जाता है।
› क्या बनाया गया ऑडियो व्यावसायिक रूप से इस्तेमाल कर सकते हैं?
Kokoro-82M के वेट और kokoro-js लाइब्रेरी Apache 2.0 लाइसेंस के तहत जारी हैं, और मॉडल को खुले लाइसेंस वाले ऑडियो पर प्रशिक्षित किया गया है, इसलिए आपकी बनाई आवाज़ वीडियो, पॉडकास्ट या ऐप में इस्तेमाल की जा सकती है। पूरी शर्तों के लिए Hugging Face पर मॉडल कार्ड देखें।
› मेरे कंप्यूटर पर आवाज़ बनना धीमा क्यों है?
WebGPU न होने पर मॉडल WebAssembly के ज़रिए CPU पर चलता है, जिससे पुराने लैपटॉप और फ़ोन पर हर वाक्य में कुछ सेकंड लग सकते हैं। WebGPU वाले Chrome और Edge बहुत तेज़ हैं। लंबा टेक्स्ट हिस्सों में बँटता है, इसलिए आप प्रगति देख सकते हैं और कभी भी रोक सकते हैं।