Co robi to narzędzie
To narzędzie do zamiany tekstu na mowę czyta angielski tekst naturalnie brzmiącymi głosami AI i pozwala pobrać wynik jako plik WAV. Korzysta z Kokoro-82M, otwartego modelu syntezy mowy z 82 milionami parametrów od hexgrad, przez bibliotekę kokoro-js i Transformers.js. Wszystko dzieje się w przeglądarce: bez konta, bez limitu znaków i bez serwera, który widziałby, co wpisujesz.
Model jest mały, więc działa na zwykłym laptopie. W przeglądarkach z WebGPU (nowe Chrome i Edge) korzysta z karty graficznej i modelu pełnej precyzji; w pozostałych działa na CPU w wersji kwantyzowanej do 8 bitów, która jest mniejsza i nadal brzmi wyraźnie.
Jak używać
- Kliknij Pobierz model i zacznij. Za pierwszym razem model (około 92 MB dla CPU, około 326 MB dla WebGPU) zostanie pobrany i zapisany w pamięci podręcznej przeglądarki. Pasek postępu pokazuje, ile zostało. Następnym razem wczyta się z pamięci w kilka sekund.
- Wpisz lub wklej tekst albo kliknij Przykład, aby wypróbować krótki akapit. Liczba znaków i szacowana długość nagrania aktualizują się podczas pisania.
- Wybierz Głos i Tempo od 0,5× do 2×.
- Kliknij Generuj mowę. Dłuższy tekst jest dzielony na fragmenty wielkości zdania i czytany po kolei, z licznikiem „Fragment 3 / 12”. Kliknij Zatrzymaj, aby skończyć wcześniej i zachować dotychczas wygenerowany dźwięk.
- Odsłuchaj w odtwarzaczu i kliknij Pobierz WAV, aby zapisać plik mono 24 kHz.
Aby dostać osobne pliki, ustaw Wynik na Plik na każdy wiersz: każdy niepusty wiersz staje się osobnym, ponumerowanym plikiem WAV (01-…, 02-…), a Pobierz wszystko (ZIP) zapisuje je razem.
Przycisk Udostępnij kopiuje link z tekstem, głosem i tempem, żeby ktoś inny mógł wygenerować tę samą mowę we własnej przeglądarce.
Głosy i języki
Przeglądarkowe głosy Kokoro mówią tylko po angielsku. Jest 20 głosów amerykańskiego angielskiego (11 kobiecych, 9 męskich) i 8 brytyjskiego (4 kobiece, 4 męskie). Przy każdym głosie na liście widać ogólną ocenę z karty modelu; Heart i Bella (amerykańskie, kobiece) mają najwyższe oceny, a Emma (brytyjski, kobiecy) oraz Fenrir, Michael i Puck (amerykańskie, męskie) to dobre alternatywy.
Wymowę tworzy fonemizator espeak-ng, więc imiona, skróty i liczby są zwykle czytane poprawnie, ale nietypowe słowa czasem trzeba zapisać inaczej. Jeśli większość tekstu jest w innym piśmie, narzędzie ostrzeże cię, bo tych znaków nie da się wypowiedzieć.
Przykład
Wczytaj przykładowy akapit, zostaw domyślny głos Heart i kliknij Generuj. Dwie linie staną się dwoma fragmentami i po kilku sekundach dostaniesz około dwudziestu sekund mowy z krótką przerwą między akapitami. Przełącz na George, aby usłyszeć brytyjskiego lektora, albo ustaw tempo 1,3× dla żwawszego czytania i wygeneruj ponownie.
Wymagania i prywatność
Potrzebna jest nowoczesna przeglądarka z WebAssembly i Web Workers: aktualne Chrome, Edge, Firefox lub Safari na komputerze albo telefonie. WebGPU nie jest wymagane, tylko przyspiesza działanie. Telefony z małą ilością pamięci mogą mieć kłopot z długimi tekstami; jeśli WebGPU zawiedzie, wybierz Tylko CPU. Pliki modelu pochodzą z Hugging Face, a silnik ONNX Runtime z publicznego CDN; plik każdego głosu (około 0,5 MB) jest pobierany przy pierwszym użyciu. Po zapisaniu w pamięci podręcznej generowanie działa offline.
FAQ
› Czy mój tekst jest wysyłany na serwer?
Nie. Mowa powstaje na twoim urządzeniu dzięki modelowi działającemu w przeglądarce. Strona raz pobiera pliki modelu z Hugging Face, ale twój tekst i dźwięk nigdy jej nie opuszczają.
› W jakich językach mówi?
Tylko po angielsku. Kokoro-82M v1.0 dla przeglądarki ma 28 głosów, 20 z akcentem amerykańskim i 8 z brytyjskim. Tekst w innych językach lub pismach, na przykład po chińsku, arabsku czy rosyjsku, zostanie pominięty albo źle wymówiony.
› Ile trzeba pobrać i czy za każdym razem?
Około 92 MB dla 8-bitowego modelu działającego na CPU albo około 326 MB dla modelu pełnej precyzji używanego z WebGPU, do tego silnik ONNX Runtime i mały plik na każdy głos. Przeglądarka wszystko zapamiętuje, więc kolejne wizyty startują w kilka sekund bez ponownego pobierania.
› Czy mogę używać wygenerowanego dźwięku komercyjnie?
Wagi Kokoro-82M i biblioteka kokoro-js są udostępnione na licencji Apache 2.0, a model wytrenowano na nagraniach z liberalnymi licencjami, więc wygenerowaną mowę można wykorzystać w filmach, podcastach i aplikacjach. Pełne warunki znajdziesz na karcie modelu w Hugging Face.
› Dlaczego na moim komputerze działa wolno?
Bez WebGPU model działa na CPU przez WebAssembly, co na starszych laptopach i telefonach może zająć kilka sekund na zdanie. Chrome i Edge z WebGPU są dużo szybsze. Długie teksty są dzielone na fragmenty, więc widzisz postęp i możesz w każdej chwili przerwać.