เครื่องมือนี้ทำอะไร
เครื่องมือแปลงข้อความเป็นเสียงพูดนี้อ่านข้อความภาษาอังกฤษออกเสียงด้วยเสียง AI ที่เป็นธรรมชาติ และให้คุณดาวน์โหลดผลลัพธ์เป็นไฟล์ WAV โดยใช้ Kokoro-82M โมเดลสังเคราะห์เสียงแบบเปิดขนาด 82 ล้านพารามิเตอร์จาก hexgrad ผ่านไลบรารี kokoro-js และ Transformers.js ทุกอย่างเกิดขึ้นในเบราว์เซอร์ของคุณ ไม่ต้องมีบัญชี ไม่มีโควตาตัวอักษร และไม่มีเซิร์ฟเวอร์ใดเห็นสิ่งที่คุณพิมพ์
เพราะโมเดลมีขนาดเล็ก จึงรันบนแล็ปท็อปทั่วไปได้ ในเบราว์เซอร์ที่มี WebGPU (Chrome และ Edge รุ่นใหม่) จะใช้การ์ดจอกับโมเดลความแม่นยำเต็ม ส่วนที่อื่นจะรันบน CPU ด้วยเวอร์ชันควอนไทซ์ 8 บิตที่เล็กกว่าแต่ยังฟังชัด
วิธีใช้
- คลิก ดาวน์โหลดโมเดลและเริ่ม ครั้งแรกจะดาวน์โหลดโมเดล (ประมาณ 92 MB บน CPU หรือประมาณ 326 MB กับ WebGPU) และเบราว์เซอร์จะแคชไว้ แถบความคืบหน้าบอกว่าเหลืออีกเท่าไร ครั้งต่อไปจะโหลดจากแคชในไม่กี่วินาที
- พิมพ์หรือวางข้อความ หรือคลิก ตัวอย่าง เพื่อลองย่อหน้าสั้น ๆ จำนวนอักขระและความยาวเสียงโดยประมาณจะอัปเดตขณะพิมพ์
- เลือก เสียง และ ความเร็ว ระหว่าง 0.5× ถึง 2×
- คลิก สร้างเสียงพูด ข้อความยาวจะถูกแบ่งเป็นช่วงขนาดประโยคและอ่านทีละช่วง พร้อมตัวนับ “ช่วง 3 / 12” คลิก หยุด เพื่อจบก่อนและเก็บเสียงที่สร้างไว้แล้ว
- ฟังในเครื่องเล่น แล้วคลิก ดาวน์โหลด WAV เพื่อบันทึกไฟล์โมโน 24 kHz
หากต้องการไฟล์แยก ให้ตั้ง ผลลัพธ์ เป็น หนึ่งไฟล์ต่อบรรทัด แต่ละบรรทัดที่ไม่ว่างจะกลายเป็น WAV ที่มีหมายเลข (01-…, 02-…) และ ดาวน์โหลดทั้งหมด (ZIP) จะบันทึกทั้งหมดพร้อมกัน
ปุ่มแชร์จะคัดลอกลิงก์ที่มีข้อความ เสียง และความเร็วของคุณ เพื่อให้ผู้อื่นสร้างเสียงพูดเดียวกันในเบราว์เซอร์ของตัวเองได้
เสียงและภาษา
เสียงของ Kokoro บนเบราว์เซอร์ พูดได้เฉพาะภาษาอังกฤษ มีเสียงอังกฤษแบบอเมริกัน 20 แบบ (หญิง 11 ชาย 9) และอังกฤษแบบบริติช 8 แบบ (หญิง 4 ชาย 4) แต่ละเสียงในรายการแสดงเกรดรวมจากการ์ดโมเดล Heart และ Bella (อเมริกัน หญิง) ได้คะแนนสูงสุด ส่วน Emma (บริติช หญิง) และ Fenrir, Michael, Puck (อเมริกัน ชาย) ก็เป็นตัวเลือกที่ดี
การออกเสียงมาจากตัวแปลงหน่วยเสียง espeak-ng ชื่อเฉพาะ ตัวย่อ และตัวเลขจึงมักอ่านถูก แต่คำที่ไม่ค่อยพบอาจต้องเขียนใหม่ หากข้อความส่วนใหญ่เป็นอักษรอื่น เครื่องมือจะเตือนคุณ เพราะอักขระเหล่านั้นออกเสียงไม่ได้
ตัวอย่าง
โหลดย่อหน้าตัวอย่าง ใช้เสียงเริ่มต้น Heart แล้วคลิกสร้าง สองบรรทัดจะกลายเป็นสองช่วง และในไม่กี่วินาทีคุณจะได้เสียงพูดราวยี่สิบวินาที โดยมีช่วงหยุดสั้น ๆ ระหว่างย่อหน้า เปลี่ยนเป็น George เพื่อได้ผู้บรรยายชายสำเนียงบริติช หรือตั้งความเร็วเป็น 1.3× ให้อ่านกระชับขึ้น แล้วสร้างใหม่
ข้อกำหนดและความเป็นส่วนตัว
ต้องใช้เบราว์เซอร์รุ่นใหม่ที่รองรับ WebAssembly และ Web Worker เช่น Chrome, Edge, Firefox หรือ Safari รุ่นล่าสุดบนคอมพิวเตอร์หรือมือถือ WebGPU ไม่จำเป็น แค่ช่วยให้เร็วขึ้น โทรศัพท์ที่มีหน่วยความจำน้อยอาจทำงานหนักกับข้อความยาว หาก WebGPU ล้มเหลวให้เลือก CPU เท่านั้น ไฟล์โมเดลมาจาก Hugging Face และเอนจิน ONNX Runtime มาจาก CDN สาธารณะ ไฟล์เสียงแต่ละแบบ (ประมาณ 0.5 MB) จะดาวน์โหลดเมื่อใช้ครั้งแรก เมื่อแคชแล้ว การสร้างเสียงทำงานแบบออฟไลน์ได้
คำถามที่พบบ่อย
› ข้อความของฉันถูกอัปโหลดไปยังเซิร์ฟเวอร์หรือไม่?
ไม่ เสียงพูดถูกสร้างบนอุปกรณ์ของคุณเองด้วยโมเดลที่ทำงานในเบราว์เซอร์ หน้าเว็บดาวน์โหลดไฟล์โมเดลจาก Hugging Face เพียงครั้งเดียว แต่ข้อความและเสียงของคุณไม่เคยออกจากหน้านี้
› พูดได้กี่ภาษา?
ภาษาอังกฤษเท่านั้น Kokoro-82M v1.0 สำหรับเบราว์เซอร์มีเสียง 28 แบบ เป็นสำเนียงอเมริกัน 20 แบบและสำเนียงบริติช 8 แบบ ข้อความในภาษาหรืออักษรอื่น เช่น ไทย จีน อาหรับ หรือรัสเซีย จะถูกข้ามหรือออกเสียงผิด
› ต้องดาวน์โหลดเท่าไร และต้องโหลดทุกครั้งหรือไม่?
ประมาณ 92 MB สำหรับโมเดล 8 บิตที่รันบน CPU หรือประมาณ 326 MB สำหรับโมเดลความแม่นยำเต็มที่ใช้กับ WebGPU รวมถึงเอนจิน ONNX Runtime และไฟล์เล็ก ๆ ของแต่ละเสียง เบราว์เซอร์จะแคชทั้งหมดไว้ ครั้งต่อไปจึงเริ่มได้ในไม่กี่วินาทีโดยไม่ต้องดาวน์โหลดใหม่
› ใช้เสียงที่สร้างในเชิงพาณิชย์ได้หรือไม่?
น้ำหนักของ Kokoro-82M และไลบรารี kokoro-js เผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 และโมเดลฝึกด้วยเสียงที่มีสัญญาอนุญาตแบบเปิด จึงนำเสียงที่สร้างไปใช้ในวิดีโอ พอดแคสต์ หรือแอปได้ ดูเงื่อนไขทั้งหมดได้ที่การ์ดโมเดลบน Hugging Face
› ทำไมสร้างเสียงบนเครื่องของฉันช้า?
หากไม่มี WebGPU โมเดลจะรันบน CPU ผ่าน WebAssembly ซึ่งอาจใช้เวลาไม่กี่วินาทีต่อประโยคบนแล็ปท็อปหรือโทรศัพท์รุ่นเก่า Chrome และ Edge ที่มี WebGPU เร็วกว่ามาก ข้อความยาวจะถูกแบ่งเป็นช่วง คุณจึงเห็นความคืบหน้าและหยุดได้ทุกเมื่อ