用途：Kokoro 是一个小型、快速、采用宽松许可的文本转语音模型，全部价值在于自行运行——无需 API 密钥、无按字符计费、音频不离开本机。技能用于帮助判断 Kokoro 是否适合任务、选择运行时并取得可用输出，同时识别其不适合的任务。适合免费大批量英文旁白（有声书、课程/视频配音、批量文档转语音、屏幕阅读器）、离线或隐私受限管线（医疗、法律、端侧、气隙环境）、浏览器/端侧无服务器 TTS（kokoro-js + WebGPU/WASM）以及原型验证。不适合声音克隆、情感或角色表演（笑声、哭泣、喊叫、讽刺等动态演绎）、高保真非英语或多语言场景，以及需要实时双向对话与打断的对话式智能体。
模型事实：约 8200 万参数，架构为 StyleTTS 2 加 ISTFTNet 解码器；权重 Apache 2.0，可商用、再分发与微调（需署名）；v1.0 于 2025-01-27 发布并为当前默认。训练数据为数百小时、全部为宽松许可或非版权素材，含闭源 TTS 生成的合成音频，以及 Koniwa（CC BY 3.0）不足 1 小时、SIWIS（CC BY 4.0）不足 11 小时；训练成本约 1000 美元（约 1000 A100-80GB GPU 小时）。输出固定 24 kHz 单声道。v1.0 提供 8 种语言、54 个声音（美式与英式英语算一种语言）。
声音与语言：声音 ID 形如 [语言前缀][性别]_[名称]，如 af_heart、bm_george、if_sara。语言代码：a 美式英语、b 英式英语、e 西班牙语、f 法语、h 印地语、i 意大利语、j 日语、p 巴西葡萄牙语、z 普通话。质量并不统一，应按等级选择：最佳英语女声 af_heart（A，卡片默认）、af_bella（A−）、af_nicole（B−）、bf_emma（B−）；较扎实的英语有 af_aoede、af_kore、af_sarah、am_fenrir、am_michael、am_puck（均 C+）、bm_fable、bm_george（C）。许多声音为 C 或更低，多数非英语声音为 C/D，训练数据仅数分钟合成音频。
文本长度与分块：单次前向最多 510 个音素化 token（含边界 512）；声音在 100–200 token 表现最佳，过短（<10–20 token）较弱，过长（>400）会赶。切勿把整章作为一个字符串；按句子/段落切分再拼接。Python KPipeline 自动切分，split_pattern 对英语默认 r'\n+'，返回每个分块的 (graphemes, phonemes, audio)，需自行拼接。非英语分块未完全实现，长文本可能被静默截断，需自行在句界插入 \n 并核对输出时长。
发音控制：Kokoro 不直接读字形，文本经 misaki 转为音素。英语使用 misaki 词典（spaCy + num2words），词典外词回退到 espeak-ng（EspeakFallback 默认开启），espeak-ng 也是非英语 G2P 的骨干，需作为系统依赖安装，否则 OOV 词会逐字母拼读。修正误读可用行内音素覆盖语法 词，如 Misaki；或先用 misaki 生成音素并手工修正后直接传给模型；也可改写文本（如“A-P-I”“twenty twenty-six”）。
声音混合：一个声音是风格向量（voicepack 张量），混合是两个风格向量的加权平均，公式为 style1*(w0/100)+style2*(w1/100)，权重不合计为 100 时归一化；部分工具上限为两个声音。Kokoro-FastAPI 中可用 voice="af_sky+af_bella" 请求混合。原生 Python 可自行加载两个张量求平均，比例任意。混合不会增加情感、不会由参考音频创建新说话人身份，也救不了低等级声音。
运行方式：Python kokoro 包（PyTorch 后端，GPU 可选，适合服务器/批量）安装命令 pip install kokoro>=0.9.2 soundfile，并需系统 espeak-ng；示例使用 KPipeline(lang_code='a')，迭代 pipeline(text, voice='af_heart', speed=1.0) 拼接音频后以 soundfile 写入 24000 Hz。kokoro-js/ONNX 可在浏览器或 Node 端侧运行（npm i kokoro-js），模型 ID onnx-community/Kokoro-82M-v1.0-ONNX，dtype 支持 fp32、fp16、q8、q4、q4f16，device 支持 wasm、webgpu、cpu。Kokoro-FastAPI 是 Docker 化的 OpenAI 兼容服务，暴露 /v1/audio/speech，支持声音混合、MP3/WAV/Opus/FLAC/M4A/PCM、流式、逐词时间戳与音素端点，属第三方包装，需固定版本并核对其当前语法。另有 Replicate、Baseten 等托管端点，但会重新引入按次成本并把文本送出本机。
性能：截至 2026-07-10 的基准显示 GPU 比实时快数十倍（A10G 约 96×，L4 约 81×，T4 约 36×；ONNX 较低 20–37×）；32 vCPU 约 5×，4 核约 2× 实时。82M 参数占用小，模型加载远低于 1 GB，4 GB 内存可推理，8 GB 以上便于批处理，可经 ONNX 运行于树莓派级设备。排行榜方面，2024-12 卡片称 v0.19 在 TTS Spaces Arena 曾排名第一（受限模型、单声音设置）；2026 年更广榜单中位于开源权重模型中游，约 2026-03 一份聚合榜将 v1.0 列开源权重约第 4（Elo 约 1060）。
交付前检查：听辨人名/术语/数字误读（最常见，用音素覆盖修正）、超过约 400 token 的赶或截断（重新切短）、非英语长文本截断（核对时长并预切分）、极短句子出现瑕疵（补充上下文或句号）、语言与声音前缀不匹配、需要情感却平淡（应换模型而非重试）。
许可与安全：权重 Apache 2.0，允许商用、再分发与微调并需署名；各包装项目许可需单独核实。训练含闭源 TTS 生成的合成音频，对来源有严格要求的客户应披露。无克隆能力不等于无滥用风险，不要生成冒充真实可识别个人的音频或用于欺骗；在受众可能误以为真人的场合应披露为合成语音。声音名称只是标签，不对应真实个人。以上版本、许可、声音数与性能事实以 2026-07-10 来源为准，可能变化。