DevToolPal
PT

Texto para fala

Transforme texto em inglês em fala natural com o modelo Kokoro-82M rodando no seu navegador e baixe em WAV.

Roda localmente, nada é enviado

Modelo de voz

O Kokoro-82M roda inteiramente no seu navegador. O modelo é baixado uma vez do Hugging Face e fica em cache, então a próxima visita começa em segundos.

Opções

As vozes falam apenas inglês (sotaque americano e britânico).
Rodar em
Automático usa WebGPU (modelo completo, ~326 MB) quando o navegador tem suporte; caso contrário, a CPU (modelo de 8 bits, ~92 MB).
Saída
Um arquivo por linha transforma cada linha não vazia em um WAV próprio (linhas vazias são ignoradas), por exemplo um por frase ou palavra.

Texto

0 caracteres

Áudio

Baixe o modelo primeiro.

A fala gerada aparece aqui. Nada é enviado: o texto e o áudio ficam neste dispositivo.

O que esta ferramenta faz

Esta ferramenta de texto para fala lê textos em inglês em voz alta com vozes de IA naturais e permite baixar o resultado como arquivo WAV. Ela usa o Kokoro-82M, um modelo aberto de síntese de voz com 82 milhões de parâmetros criado por hexgrad, por meio da biblioteca kokoro-js e do Transformers.js. Tudo acontece dentro do navegador: sem conta, sem limite de caracteres e sem servidor que veja o que você digita.

Como o modelo é pequeno, ele roda em um notebook comum. Em navegadores com WebGPU (Chrome e Edge recentes) usa a placa de vídeo com o modelo de precisão total; nos demais roda na CPU com uma versão quantizada de 8 bits, menor e ainda com som claro.

Como usar

  1. Clique em Baixar o modelo e começar. Na primeira vez, o modelo (cerca de 92 MB na CPU, cerca de 326 MB com WebGPU) é baixado e guardado em cache pelo navegador. Uma barra mostra quanto falta. Da próxima vez ele carrega do cache em segundos.
  2. Digite ou cole seu texto, ou clique em Exemplo para testar um parágrafo curto. A contagem de caracteres e a duração estimada do áudio são atualizadas enquanto você digita.
  3. Escolha uma Voz e uma Velocidade entre 0,5× e 2×.
  4. Clique em Gerar fala. Textos longos são divididos em trechos do tamanho de uma frase e falados um por vez, com um contador “Trecho 3 / 12”. Clique em Parar para encerrar antes e manter o áudio gerado até ali.
  5. Ouça no player e clique em Baixar WAV para salvar um arquivo mono de 24 kHz.

Para obter arquivos separados, defina Saída como Um arquivo por linha: cada linha não vazia vira um WAV numerado (01-…, 02-…), e Baixar tudo (ZIP) salva todos juntos.

O botão Compartilhar copia um link com seu texto, voz e velocidade, para que outra pessoa gere a mesma fala no próprio navegador.

Vozes e idiomas

As vozes do Kokoro para navegador falam apenas inglês. São 20 vozes de inglês americano (11 femininas e 9 masculinas) e 8 de inglês britânico (4 femininas e 4 masculinas). Cada voz da lista mostra a nota geral do cartão do modelo; Heart e Bella (americanas, femininas) têm as melhores notas, e Emma (britânica, feminina) e Fenrir, Michael e Puck (americanos, masculinos) são boas alternativas.

A pronúncia vem do fonemizador espeak-ng, então nomes, siglas e números costumam ser lidos corretamente, mas palavras incomuns podem precisar ser reescritas. Se a maior parte do texto estiver em outra escrita, a ferramenta avisa, porque esses caracteres não podem ser falados.

Exemplo

Carregue o parágrafo de exemplo, mantenha a voz padrão Heart e clique em Gerar. As duas linhas viram dois trechos e em poucos segundos você tem cerca de vinte segundos de fala, com uma pausa curta entre os parágrafos. Troque para George para um narrador britânico ou ajuste a velocidade para 1,3× para uma leitura mais ágil, e gere de novo.

Requisitos e privacidade

É preciso um navegador moderno com WebAssembly e Web Workers: Chrome, Edge, Firefox ou Safari atuais, no computador ou no celular. WebGPU é opcional e só acelera. Celulares com pouca memória podem ter dificuldade com textos longos; escolha Só CPU se o WebGPU falhar. Os arquivos do modelo vêm do Hugging Face e o mecanismo ONNX Runtime de uma CDN pública; cada arquivo de voz (cerca de 0,5 MB) é baixado na primeira vez que você o usa. Depois do cache, a geração funciona offline.

Perguntas frequentes

› Meu texto é enviado para um servidor?

Não. A fala é gerada no seu próprio dispositivo por um modelo que roda no navegador. A página baixa os arquivos do modelo uma vez do Hugging Face, mas seu texto e o áudio nunca saem da página.

› Quais idiomas ele fala?

Apenas inglês. O Kokoro-82M v1.0 para navegador traz 28 vozes, 20 com sotaque americano e 8 com sotaque britânico. Texto em outros idiomas ou escritas, como chinês, árabe ou russo, será pulado ou pronunciado errado.

› Qual o tamanho do download e preciso baixar sempre?

Cerca de 92 MB para o modelo de 8 bits que roda na CPU, ou cerca de 326 MB para o modelo de precisão total usado com WebGPU, além do mecanismo ONNX Runtime e um arquivo pequeno por voz. O navegador guarda tudo em cache, então as próximas visitas começam em segundos sem baixar de novo.

› Posso usar o áudio gerado comercialmente?

Os pesos do Kokoro-82M e a biblioteca kokoro-js são publicados sob a licença Apache 2.0, e o modelo foi treinado com áudio de licença permissiva, então a fala gerada pode ser usada em vídeos, podcasts ou apps. Veja o cartão do modelo no Hugging Face para os termos completos.

› Por que está lento no meu computador?

Sem WebGPU o modelo roda na CPU via WebAssembly, o que pode levar alguns segundos por frase em notebooks e celulares mais antigos. Chrome e Edge com WebGPU são bem mais rápidos. Textos longos são divididos em trechos, então você acompanha o progresso e pode parar quando quiser.