Bu araç ne yapar
Bu metinden sese aracı, İngilizce metni doğal yapay zekâ sesleriyle yüksek sesle okur ve sonucu WAV dosyası olarak indirmenizi sağlar. hexgrad’ın 82 milyon parametreli açık konuşma sentezi modeli Kokoro-82M’yi kokoro-js kütüphanesi ve Transformers.js üzerinden kullanır. Her şey tarayıcınızda olur: hesap yok, karakter kotası yok, yazdıklarınızı gören bir sunucu yok.
Model küçük olduğu için sıradan bir dizüstü bilgisayarda çalışır. WebGPU destekli tarayıcılarda (güncel Chrome ve Edge) ekran kartını ve tam hassasiyetli modeli kullanır; diğerlerinde CPU’da, daha küçük ama yine net duyulan 8 bit kuantize sürümle çalışır.
Nasıl kullanılır
- Modeli indir ve başlat’a tıklayın. İlk seferde model (CPU’da yaklaşık 92 MB, WebGPU ile yaklaşık 326 MB) indirilir ve tarayıcı tarafından önbelleğe alınır. İlerleme çubuğu ne kadar kaldığını gösterir. Bir dahaki sefere önbellekten saniyeler içinde yüklenir.
- Metninizi yazın veya yapıştırın ya da kısa bir paragrafı denemek için Örnek’e tıklayın. Karakter sayısı ve tahmini ses süresi siz yazdıkça güncellenir.
- Bir Ses ve 0,5× ile 2× arasında bir Hız seçin.
- Ses oluştur’a tıklayın. Uzun metin cümle boyutunda parçalara bölünür ve “Parça 3 / 12” sayacıyla tek tek seslendirilir. Erken bitirmek ve o ana kadar üretilen sesi saklamak için Durdur’a basın.
- Oynatıcıda dinleyin, ardından 24 kHz mono dosya kaydetmek için WAV indir’e tıklayın.
Ayrı dosyalar için Çıktı seçeneğini Her satır için bir dosya yapın: boş olmayan her satır numaralı ayrı bir WAV olur (01-…, 02-…) ve Tümünü indir (ZIP) hepsini birlikte kaydeder.
Paylaş düğmesi metninizi, sesi ve hızı içeren bir bağlantı kopyalar; böylece başka biri aynı konuşmayı kendi tarayıcısında üretebilir.
Sesler ve diller
Kokoro’nun tarayıcı sesleri yalnızca İngilizce konuşur. 20 Amerikan İngilizcesi sesi (11 kadın, 9 erkek) ve 8 İngiliz İngilizcesi sesi (4 kadın, 4 erkek) vardır. Listedeki her ses, model kartındaki genel notu gösterir; Heart ve Bella (Amerikan, kadın) en yüksek puanlıdır, Emma (İngiliz, kadın) ile Fenrir, Michael ve Puck (Amerikan, erkek) iyi alternatiflerdir.
Telaffuz espeak-ng fonemleyicisinden gelir; isimler, kısaltmalar ve sayılar genellikle doğru okunur, ama alışılmadık kelimeleri farklı yazmanız gerekebilir. Metninizin çoğu başka bir yazıdaysa araç sizi uyarır, çünkü bu karakterler seslendirilemez.
Örnek
Örnek paragrafı yükleyin, varsayılan Heart sesini koruyun ve Oluştur’a basın. İki satır iki parçaya dönüşür ve birkaç saniye içinde paragraflar arasında kısa bir duraklamayla yaklaşık yirmi saniyelik konuşma elde edersiniz. İngiliz erkek anlatıcı için George’a geçin ya da daha canlı bir okuma için hızı 1,3× yapın ve yeniden oluşturun.
Gereksinimler ve gizlilik
Araç, WebAssembly ve Web Worker destekli modern bir tarayıcı ister: masaüstünde veya mobilde güncel Chrome, Edge, Firefox ya da Safari. WebGPU isteğe bağlıdır, yalnızca hızlandırır. Belleği az olan telefonlar uzun metinlerde zorlanabilir; WebGPU hata verirse Yalnızca CPU’yu seçin. Model dosyaları Hugging Face’ten, ONNX Runtime motoru herkese açık bir CDN’den gelir; her ses dosyası (yaklaşık 0,5 MB) ilk kullandığınızda indirilir. Önbelleğe alındıktan sonra üretim çevrimdışı çalışır.
SSS
› Metnim bir sunucuya yükleniyor mu?
Hayır. Ses, tarayıcıda çalışan bir modelle kendi cihazınızda üretilir. Sayfa model dosyalarını Hugging Face’ten bir kez indirir; metniniz ve ses asla sayfadan çıkmaz.
› Hangi dilleri konuşabiliyor?
Yalnızca İngilizce. Tarayıcı için Kokoro-82M v1.0, 20’si Amerikan ve 8’i İngiliz aksanlı olmak üzere 28 sesle gelir. Türkçe, Çince, Arapça veya Rusça gibi başka dil ya da yazılardaki metinler atlanır veya yanlış telaffuz edilir.
› İndirme ne kadar büyük, her seferinde gerekiyor mu?
CPU’da çalışan 8 bit model için yaklaşık 92 MB, WebGPU ile kullanılan tam hassasiyetli model için yaklaşık 326 MB; buna ONNX Runtime motoru ve her ses için küçük bir dosya eklenir. Tarayıcı hepsini önbelleğe alır, sonraki ziyaretler yeniden indirmeden birkaç saniyede başlar.
› Üretilen sesi ticari olarak kullanabilir miyim?
Kokoro-82M ağırlıkları ve kokoro-js kütüphanesi Apache 2.0 lisansıyla yayımlanmıştır ve model serbest lisanslı seslerle eğitilmiştir; bu yüzden ürettiğiniz konuşmayı videolarda, podcast’lerde veya uygulamalarda kullanabilirsiniz. Tam koşullar için Hugging Face’teki model kartına bakın.
› Bilgisayarımda neden yavaş?
WebGPU yoksa model WebAssembly ile CPU’da çalışır; eski dizüstü bilgisayarlarda ve telefonlarda cümle başına birkaç saniye sürebilir. WebGPU destekli Chrome ve Edge çok daha hızlıdır. Uzun metinler parçalara bölündüğü için ilerlemeyi görür, istediğiniz an durdurabilirsiniz.