这个工具能做什么
这个文字转语音工具用自然的 AI 声音朗读英文文本，并可以把结果下载为 WAV 文件。它使用 hexgrad 发布的开源语音合成模型 Kokoro-82M（8200 万参数），通过 kokoro-js 库和 Transformers.js 运行。所有处理都在浏览器里完成：不用注册，没有字数额度，也没有服务器能看到你输入的内容。
模型很小，普通笔记本就能跑。在支持 WebGPU 的浏览器（较新的 Chrome 和 Edge）上，它用显卡运行完整精度的模型；其他情况下在 CPU 上运行 8 位量化版本，体积更小，声音依然清晰。
怎么用
- 点击 下载模型并启动。第一次会下载模型（CPU 约 92 MB，WebGPU 约 326 MB）并由浏览器缓存，进度条会显示剩余多少。下次打开会从缓存加载，几秒就好。
- 输入或粘贴文字，或者点击 示例 试一段短文。输入时会实时显示字符数和预计的音频时长。
- 选择 声音，并把 语速 调到 0.5× 到 2× 之间。
- 点击 生成语音。较长的文本会按句子切成小段，逐段朗读，并显示「第 3 / 12 段」这样的进度。点击 停止 可以提前结束，并保留已经生成的音频。
- 在播放器里试听，然后点击 下载 WAV 保存为 24 kHz 单声道文件。
想要分开的文件时，把 输出 设为 每行一个音频：每个非空行会单独生成一个带编号的 WAV（01-…、02-…），点 全部下载（ZIP） 可以一次保存。
「分享」按钮会复制一个包含文字、声音和语速的链接，别人打开后可以在自己的浏览器里生成同样的语音。
声音与语言
Kokoro 的浏览器版声音 只会说英语：20 个美式英语声音（11 个女声、9 个男声）和 8 个英式英语声音（4 个女声、4 个男声）。列表里每个声音都标出了模型说明中的综合评级；Heart 和 Bella（美式女声）评分最高，Emma（英式女声）以及 Fenrir、Michael、Puck（美式男声）也是不错的选择。
发音由 espeak-ng 音素转换器生成，人名、缩写和数字一般都能读对，少见的词可能需要换个写法。如果文本大部分是其他文字（例如中文），工具会提示你，因为这些字符无法朗读。
示例
载入示例段落，保持默认声音 Heart，点击生成。两段文字会变成两个分段，几秒后就能得到大约二十秒的语音，两段之间有短暂停顿。换成 George 可以得到英式男声旁白，把语速调到 1.3× 则读得更轻快，再生成一次即可。
运行要求与隐私
需要支持 WebAssembly 和 Web Worker 的现代浏览器：桌面或手机上的新版 Chrome、Edge、Firefox 或 Safari。WebGPU 不是必需的，只是会更快。内存较小的手机处理长文本可能吃力；如果 WebGPU 出错，请选择 仅 CPU。模型文件来自 Hugging Face，ONNX Runtime 引擎来自公共 CDN；每个声音文件（约 0.5 MB）在第一次使用时下载。缓存之后，生成本身可以离线进行。
常见问题
› 我的文字会上传到服务器吗？
不会。语音由在你浏览器里运行的模型在本机生成。页面只会从 Hugging Face 下载一次模型文件，你输入的文字和生成的音频都不会离开本页。
› 支持哪些语言？
只支持英语。浏览器版的 Kokoro-82M v1.0 自带 28 个声音，其中 20 个是美式口音，8 个是英式口音。中文、阿拉伯文、俄文等其他语言或文字会被跳过或读错。
› 要下载多少？每次都要下载吗？
在 CPU 上运行的 8 位量化模型约 92 MB，配合 WebGPU 使用的完整精度模型约 326 MB，另外还有 ONNX Runtime 引擎和每个声音一个小文件。浏览器会缓存这些文件，以后再打开几秒内就能用，不用重新下载。
› 生成的音频可以商用吗？
Kokoro-82M 模型权重和 kokoro-js 库都以 Apache 2.0 许可证发布，模型的训练数据也是宽松许可的音频，所以生成的语音可以用在视频、播客或应用里。完整条款请看 Hugging Face 上的模型说明。
› 为什么在我的电脑上生成得很慢？
没有 WebGPU 时，模型通过 WebAssembly 在 CPU 上运行，在较旧的笔记本和手机上每句话可能要几秒。支持 WebGPU 的 Chrome 和 Edge 会快很多。长文本会被切成小段逐段生成，你可以看到进度，也可以随时停止。