Чтобы озвучить текст локально в Kokoro TTS, используйте библиотеку kokoro от hexgrad: пример разработчика сохраняет звук в WAV с частотой 24 000 Гц. Перед монтажом откройте файл и сверьте речь со своим текстом: язык, произношение, темп. Русского в перечне языков нет, поэтому здесь нужен текст на поддерживаемом языке.
Выбирайте голос на своём тексте, а не по оценке в таблице VOICES: разработчик предупреждает, что восприятие звучания субъективно. Наличие языка в списке ещё не гарантирует, что озвучка подойдёт вашему ролику.
Kokoro озвучивает текст, Whisper делает субтитры
В своём ролике я использовал Kokoro-82M для озвучки сцен, а Whisper расставил тайминги для субтитров.
Начните с карточки модели hexgrad и официальной библиотеки. Автор карточки предупреждает: сайты с kokoro в корневом домене ему не принадлежат и с карточкой модели не связаны.
| Что брать | Для чего | Где взять и какая лицензия |
|---|---|---|
| Kokoro-82M | Модель с открытыми весами, 82 млн параметров | hexgrad на Hugging Face; веса Apache 2.0 |
kokoro | Библиотека разработчика для запуска модели | hexgrad/kokoro на GitHub |
kokoro-tts | Сторонняя программа командной строки | nazdridoy/kokoro-tts на GitHub; программа MIT |
MIT у сторонней программы не меняет лицензию весов. Её команды в пример с KPipeline не переносите: у kokoro-tts свои параметры и требования. Например, программа требует Python 3.11-3.12 и не поддерживает 3.13+. Это ограничение сторонней программы, не официальной библиотеки kokoro.
Whisper решает обратную задачу - переводит речь в текст. О голосовом вводе с ним читайте в отдельной статье.
Если делаете озвучку для своих роликов, расскажите в канале, что получилось:
Сначала проверьте язык, потом выбирайте голос
У Kokoro v1.0 заявлены 8 языков и 54 голоса. Английский представлен американским и британским вариантами. Для библиотеки kokoro язык и голос выбирайте по таблице VOICES:
| Язык | lang_code | Пример голоса |
|---|---|---|
| Американский английский | a | af_heart |
| Британский английский | b | bf_emma |
| Японский | j | jf_alpha |
| Китайский мандаринский | z | zf_xiaobei |
| Испанский | e | ef_dora |
| Французский | f | ff_siwis |
| Хинди | h | hf_alpha |
| Итальянский | i | if_sara |
| Бразильский португальский | p | pf_dora |
Корейского в перечне тоже нет. Язык интерфейса сайта ничего к списку не добавляет.
Для примера возьмите американский английский: код a, голос af_heart, английский исходник. lang_code должен соответствовать языку голоса. Значение en-us из сторонней программы сюда не подставляйте.
Японскому нужен дополнительный пакет misaki[ja], китайскому - misaki[zh]. Для выбранного английского примера эти дополнения не нужны.
Оценки голосов в VOICES описывают качество и количество исходных данных. Выбирать голос всё равно придётся на своём тексте: разработчик прямо пишет, что восприятие звучания субъективно. Он также предупреждает, что поддержка неанглийских языков может быть слабой из-за обработки произношения и нехватки исходных данных. Наличие языка в таблице не гарантирует, что озвучка подойдёт вашему ролику.
Ставим библиотеку hexgrad на Linux
Команды рассчитаны на Linux с apt, например Debian или Ubuntu. Откройте отдельную рабочую папку. Сначала посмотрите фактическую версию Python и создайте окружение:
python3 --version
python3 -m venv .venv
source .venv/bin/activateВнутри окружения установите зависимости:
sudo apt-get update
sudo apt-get install espeak-ng
python -m pip install 'kokoro>=0.9.4' soundfileespeak-ng нужен библиотеке для резервной обработки английских слов вне словаря и некоторых других языков. Начальное ! из примера для Colab в обычный терминал не переносите. Вывод установки оставьте видимым: при сбое пригодится сама ошибка.
Перед синтезом проверьте программу и импорты:
espeak-ng --version
python -m pip show kokoro soundfile torch
python -c "from kokoro import KPipeline; import soundfile; print('imports OK')"Продолжайте, если espeak-ng найден, версии пакетов показаны, импорты дошли до imports OK. При ошибке сначала разберите её.
Нижняя граница >=0.9.4 взята из README библиотеки. После успешной установки сохраните фактический набор зависимостей:
python -m pip freeze > requirements-kokoro.txtТак вы сохраните версии для повторного запуска.
Сохраняем весь текст в WAV
Подготовьте файл speak.py. Замените английский текст своим, сохранив язык и голос.
from pathlib import Path
import wave
from kokoro import KPipeline
import soundfile as sf
def merge_wavs(paths, target):
with wave.open(str(paths[0]), 'rb') as first:
params = first.getparams()
with wave.open(str(target), 'wb') as output:
output.setparams(params)
for path in paths:
with wave.open(str(path), 'rb') as source:
current = source.getparams()
if current[:3] != params[:3]:
raise ValueError('WAV parameters differ')
output.writeframes(source.readframes(source.getnframes()))
text = '''Please check the voice before adding it to the video.
Listen to the final sentence and compare it with the original text.'''
if __name__ == '__main__':
pipeline = KPipeline(lang_code='a')
paths = []
for index, (gs, ps, audio) in enumerate(pipeline(
text, voice='af_heart', speed=1, split_pattern=r'\n+'
)):
print(index, gs)
path = Path('part-' + str(index) + '.wav')
sf.write(str(path), audio, 24000)
paths.append(path)
if not paths:
raise RuntimeError('No audio fragments')
target = Path('voice.wav')
merge_wavs(paths, target)
with wave.open(str(target), 'rb') as result:
print(target, result.getframerate(), result.getnframes())Запустите его из того же окружения:
python speak.pyГенератор возвращает gs, ps и audio: текст части, фонемы и звук. В примере разработчика каждая часть сохраняется отдельно с частотой 24 000 Гц. В speak.py функция merge_wavs затем читает эти файлы в исходном порядке и собирает общий voice.wav.
Цикл должен пройти все части. Если остановиться на первой, в итоговый файл попадёт только начало сценария.
В конце программа выводит имя файла, частоту и число звуковых кадров. Проверьте: voice.wav появился, частота 24 000 Гц, число кадров положительное. Откройте его в проигрывателе и найдите начало и конец исходного текста.
speed=1 задаёт темп речи, а не скорость вычислений. split_pattern=r'\n+' разделяет вход по переводам строк, но не подбирает длину реплики.
В VOICES разработчик рекомендует реплики длиной 100-200 токенов. Если их меньше 10-20, звучание может ухудшаться; если больше 400, речь может ускоряться. Это рекомендация разработчика, не гарантия качества. Токены не равны знакам - подробнее в отдельной статье.
Если хотите собирать свои проекты с ИИ-агентами, посмотрите программу практикума СмыслоКода.
Самое главное - послушайте, что получилось
Самое главное на самом деле, чтобы синтез речи был более-менее приятный просто на звук. Откройте рядом исходник и слушайте, сверяясь с ним.
Проверьте файл перед монтажом:
- Файл открывается и звучит. Если его нет или проигрыватель не открывает запись, вернитесь к выводу программы: были ли получены части, завершилась ли запись.
- Произнесён нужный язык. Если нет, сверьте текст,
lang_codeи голос по таблице. Повторите тот же фрагмент с правильными настройками. - Нет пропусков и добавленных слов. Сопоставьте речь с исходником и напечатанными
gs. Найдите проблемную часть, проверьте её текст и наличие в итоговом файле. Если дело в длине, разделите длинную реплику либо объедините слишком короткие и прослушайте повторно. - Имена и числа читаются так, как требуется для ролика. Проблемную реплику проверьте отдельно. Пока произношение вас не устраивает, в монтаж её не берите.
- Темп, паузы и стыки подходят к сценам. Слушайте соседние части вместе. При необходимости меняйте
speedили границы фрагментов, затем повторяйте проверку на слух.
Сравнивайте один и тот же текст, меняя только голос, скорость или длину реплики. Если одновременно заменить всё, разобраться в причине разницы будет сложнее.
«Только электричество» - про расходы на свой ролик
Из расходов на генерацию только электричество. Что по железу - видеокарта RTX 5080 Laptop с 16 ГБ видеопамяти и 64 ГБ оперативной памяти.
Это мой компьютер для работы над роликом, а не минимальные требования Kokoro. Покупка оборудования - отдельный расход.
Перед монтажом у вас должен быть весь сценарий в звуковом файле: на нужном языке, без пропусков и с произношением, которое вас устраивает.
Что чаще приходится переделывать в синтезированной озвучке: произношение, темп или стыки фраз? Расскажите в комментариях в канале.
Если после озвучки хотите собрать весь конвейер роликов, переходите к разбору в отдельной статье.
Частые вопросы
Источники
- hexgrad: карточка Kokoro-82M - происхождение модели, открытые веса Apache 2.0, 8 языков и 54 голоса версии v1.0, предупреждение об одноимённых сайтах.
- hexgrad: официальная библиотека kokoro - установка, зависимости, KPipeline, согласование языка и голоса, параметры темпа, звуковые фрагменты и запись с частотой 24 000 Гц.
- hexgrad: языки и голоса VOICES - коды языков, голоса, рекомендации по длине реплик и ограничения оценок звучания.
- nazdridoy: программа kokoro-tts - отличие сторонней программы от официальной библиотеки, лицензия MIT у программы.
Новые материалы - дайджестом, без спама
Гайды выходят регулярно. Подпишись, чтобы не пропускать: пришлю подборку в Telegram или на email. Раз в неделю или каждый день - выбираешь сам.

