Cosa fa questo strumento
Questo strumento di sintesi vocale legge ad alta voce testi in inglese con voci IA naturali e ti permette di scaricare il risultato come file WAV. Usa Kokoro-82M, un modello aperto di sintesi vocale da 82 milioni di parametri creato da hexgrad, tramite la libreria kokoro-js e Transformers.js. Tutto avviene nel tuo browser: nessun account, nessun limite di caratteri e nessun server che veda ciò che scrivi.
Essendo piccolo, il modello gira su un normale portatile. Nei browser con WebGPU (Chrome ed Edge recenti) usa la scheda grafica con il modello a piena precisione; altrove gira sulla CPU con una versione quantizzata a 8 bit, più leggera e comunque chiara.
Come si usa
- Fai clic su Scarica il modello e inizia. La prima volta il modello (circa 92 MB su CPU, circa 326 MB con WebGPU) viene scaricato e messo in cache dal browser. Una barra mostra quanto manca. La volta dopo si carica dalla cache in pochi secondi.
- Scrivi o incolla il testo, oppure fai clic su Esempio per provare un breve paragrafo. Il numero di caratteri e la durata stimata dell’audio si aggiornano mentre scrivi.
- Scegli una Voce e una Velocità tra 0,5× e 2×.
- Fai clic su Genera voce. I testi lunghi vengono divisi in blocchi della lunghezza di una frase e letti uno alla volta, con un contatore «Blocco 3 / 12». Premi Ferma per terminare prima e conservare l’audio generato fino a quel punto.
- Ascolta nel lettore e fai clic su Scarica WAV per salvare un file mono a 24 kHz.
Per avere file separati imposta Uscita su Un file per riga: ogni riga non vuota diventa un WAV numerato (01-…, 02-…) e Scarica tutto (ZIP) li salva insieme.
Il pulsante Condividi copia un link con testo, voce e velocità, così qualcun altro può generare la stessa voce nel proprio browser.
Voci e lingue
Le voci di Kokoro per browser parlano solo inglese. Ci sono 20 voci in inglese americano (11 femminili, 9 maschili) e 8 in inglese britannico (4 femminili, 4 maschili). Ogni voce nell’elenco mostra il voto complessivo della scheda del modello; Heart e Bella (americane, femminili) hanno il voto più alto, mentre Emma (britannica, femminile) e Fenrir, Michael e Puck (americani, maschili) sono buone alternative.
La pronuncia deriva dal fonemizzatore espeak-ng, quindi nomi, sigle e numeri vengono di solito letti bene, ma le parole insolite possono richiedere una riformulazione. Se gran parte del testo è in un’altra scrittura, lo strumento ti avvisa, perché quei caratteri non possono essere pronunciati.
Esempio
Carica il paragrafo di esempio, lascia la voce predefinita Heart e premi Genera. Le due righe diventano due blocchi e in pochi secondi ottieni una ventina di secondi di parlato con una breve pausa tra i paragrafi. Passa a George per un narratore britannico o imposta la velocità a 1,3× per una lettura più rapida, poi genera di nuovo.
Requisiti e privacy
Serve un browser moderno con WebAssembly e Web Worker: Chrome, Edge, Firefox o Safari aggiornati, su desktop o mobile. WebGPU è facoltativo e serve solo a velocizzare. I telefoni con poca memoria possono avere difficoltà con testi lunghi; scegli Solo CPU se WebGPU non funziona. I file del modello arrivano da Hugging Face e il motore ONNX Runtime da una CDN pubblica; ogni file di voce (circa 0,5 MB) viene scaricato la prima volta che lo usi. Una volta in cache, la generazione funziona offline.
Domande frequenti
› Il mio testo viene caricato su un server?
No. La voce viene generata sul tuo dispositivo da un modello che gira nel browser. La pagina scarica una volta i file del modello da Hugging Face, ma il tuo testo e l’audio non lasciano mai la pagina.
› Quali lingue parla?
Solo inglese. Kokoro-82M v1.0 per browser include 28 voci, 20 con accento americano e 8 con accento britannico. Il testo in altre lingue o scritture, come cinese, arabo o russo, verrà saltato o pronunciato male.
› Quanto pesa il download e devo rifarlo ogni volta?
Circa 92 MB per il modello a 8 bit che gira sulla CPU, oppure circa 326 MB per il modello a piena precisione usato con WebGPU, più il motore ONNX Runtime e un piccolo file per ogni voce. Il browser mette tutto in cache, quindi le visite successive partono in pochi secondi senza riscaricare.
› Posso usare l’audio generato a fini commerciali?
I pesi di Kokoro-82M e la libreria kokoro-js sono rilasciati con licenza Apache 2.0, e il modello è stato addestrato su audio con licenze permissive, quindi la voce generata può essere usata in video, podcast o app. Consulta la scheda del modello su Hugging Face per i termini completi.
› Perché la generazione è lenta sul mio computer?
Senza WebGPU il modello gira sulla CPU tramite WebAssembly, e su portatili e telefoni datati può richiedere qualche secondo per frase. Chrome ed Edge con WebGPU sono molto più veloci. I testi lunghi sono divisi in blocchi, così vedi l’avanzamento e puoi fermarti quando vuoi.