Что делает этот инструмент
Этот инструмент озвучивает английский текст естественными ИИ-голосами и позволяет скачать результат в виде WAV-файла. Он использует Kokoro-82M — открытую модель синтеза речи на 82 миллиона параметров от hexgrad — через библиотеку kokoro-js и Transformers.js. Всё происходит в вашем браузере: без регистрации, без лимита символов и без сервера, который видит ваш текст.
Модель небольшая, поэтому работает на обычном ноутбуке. В браузерах с WebGPU (свежие Chrome и Edge) она использует видеокарту и модель полной точности; в остальных случаях работает на CPU с 8-битной квантованной версией, которая меньше и всё равно звучит чисто.
Как пользоваться
- Нажмите Скачать модель и начать. В первый раз модель (около 92 МБ для CPU, около 326 МБ для WebGPU) скачивается и кешируется браузером. Полоса прогресса показывает, сколько осталось. В следующий раз она загрузится из кеша за секунды.
- Введите или вставьте текст либо нажмите Пример, чтобы попробовать короткий абзац. Число символов и примерная длительность аудио обновляются по мере ввода.
- Выберите Голос и Скорость от 0,5× до 2×.
- Нажмите Озвучить. Длинный текст делится на фрагменты размером с предложение и озвучивается по одному, со счётчиком «Фрагмент 3 / 12». Нажмите Стоп, чтобы закончить раньше и сохранить уже созданное аудио.
- Прослушайте результат в плеере и нажмите Скачать WAV, чтобы сохранить моно-файл 24 кГц.
Чтобы получить отдельные файлы, выберите в Вывод вариант Файл на каждую строку: каждая непустая строка станет отдельным пронумерованным WAV (01-…, 02-…), а Скачать всё (ZIP) сохранит их вместе.
Кнопка «Поделиться» копирует ссылку с текстом, голосом и скоростью, чтобы другой человек мог создать ту же речь в своём браузере.
Голоса и языки
Браузерные голоса Kokoro говорят только по-английски. Есть 20 голосов американского английского (11 женских, 9 мужских) и 8 голосов британского английского (4 женских, 4 мужских). У каждого голоса в списке указана общая оценка из карточки модели; Heart и Bella (американские, женские) оценены выше всех, а Emma (британский, женский) и Fenrir, Michael и Puck (американские, мужские) — хорошие альтернативы.
Произношение строит фонемайзер espeak-ng, поэтому имена, аббревиатуры и числа обычно читаются правильно, но редкие слова иногда стоит переформулировать. Если большая часть текста написана другой письменностью, инструмент предупредит, потому что такие символы озвучить нельзя.
Пример
Загрузите пример, оставьте голос по умолчанию Heart и нажмите «Озвучить». Две строки станут двумя фрагментами, и через несколько секунд вы получите около двадцати секунд речи с короткой паузой между абзацами. Переключитесь на George для британского мужского голоса или поставьте скорость 1,3× для более бодрого чтения и озвучьте снова.
Требования и конфиденциальность
Нужен современный браузер с WebAssembly и Web Workers: свежие Chrome, Edge, Firefox или Safari на компьютере или телефоне. WebGPU не обязателен, он лишь ускоряет работу. Телефонам с малым объёмом памяти может быть тяжело с длинными текстами; если WebGPU выдаёт ошибку, выберите Только CPU. Файлы модели загружаются с Hugging Face, движок ONNX Runtime — с публичного CDN, а файл каждого голоса (около 0,5 МБ) скачивается при первом использовании. После кеширования озвучка работает без интернета.
Частые вопросы
› Мой текст загружается на сервер?
Нет. Речь создаётся на вашем устройстве моделью, которая работает в браузере. Страница один раз скачивает файлы модели с Hugging Face, но ваш текст и аудио никогда не покидают страницу.
› На каких языках он говорит?
Только на английском. Браузерная Kokoro-82M v1.0 содержит 28 голосов: 20 с американским и 8 с британским акцентом. Текст на других языках и в других письменностях, например на русском, китайском или арабском, будет пропущен или прочитан неправильно.
› Сколько нужно скачать и придётся ли делать это каждый раз?
Около 92 МБ для 8-битной модели, работающей на CPU, или около 326 МБ для модели полной точности под WebGPU, плюс движок ONNX Runtime и небольшой файл на каждый голос. Браузер всё кеширует, поэтому следующие запуски занимают секунды без повторной загрузки.
› Можно ли использовать аудио в коммерческих целях?
Веса Kokoro-82M и библиотека kokoro-js выпущены под лицензией Apache 2.0, а модель обучена на аудио со свободными лицензиями, поэтому созданную речь можно использовать в видео, подкастах и приложениях. Полные условия смотрите в карточке модели на Hugging Face.
› Почему на моём компьютере всё медленно?
Без WebGPU модель работает на CPU через WebAssembly, и на старых ноутбуках и телефонах одно предложение может занимать несколько секунд. Chrome и Edge с WebGPU работают намного быстрее. Длинный текст делится на фрагменты, поэтому видно прогресс и можно остановиться в любой момент.