Kokoro-ONNX

2025-07-21AI音频 / 文字转语音45 次浏览

综合介绍

Kokoro-ONNX 是一个基于 Kokoro-TTS 模型开发的文本转语音（Text-to-Speech）Python库。它通过 ONNX Runtime 在CPU或GPU上运行，实现了高效的语音合成。该项目的主要特点是轻量化和高性能，量化后的模型文件大小仅约80MB，能够在没有强大硬件支持的设备上实现接近实时的语音生成。 Kokoro-ONNX 支持包括中文在内的多种语言和多种音色，用户可以通过简单的命令行或Python脚本，将输入的文本快速转换为自然的语音文件。由于其跨平台和易于集成的特性，它适合被嵌入到各种应用或自动化流程中，为需要语音输出功能的场景提供解决方案。

功能列表

多语言支持: 支持包括中文、英文、日文在内的多种语言的文本转语音。
多音色选择: 提供多种不同的声音（Voices）选项，用户可以选择喜欢的声音来生成语音。
高性能: 利用 ONNX Runtime 进行推理，在macOS M1等设备上可实现接近实时的语音合成速度。
轻量化模型: 提供量化后的模型，体积小（约80MB），便于在资源受限的环境中部署。
跨平台运行: 可以在支持 ONNX Runtime 的多个平台上运行，包括CPU和GPU环境。
简单的安装和使用: 可以通过 pip 命令一键安装，并提供了清晰的Python脚本示例供用户参考。
支持独立虚拟环境: 推荐使用 uv 工具创建独立的Python环境，避免与其他库产生冲突。

使用帮助

Kokoro-ONNX是一个功能强大且易于使用的文本转语音工具，以下是详细的安装和使用流程，旨在帮助你快速上手。

1. 环境准备与安装

为了保证项目稳定运行并避免依赖冲突，官方推荐使用 uv 创建一个独立的Python环境。uv 是一个非常快速的Python包安装和解析工具。

步骤一：安装 uv (推荐)

如果你还没有安装 uv，可以通过 pip 在你的系统上安装它。打开终端或命令行工具，输入以下命令：

pip install uv

步骤二：创建项目并初始化环境

首先，为你的项目创建一个新的文件夹，并进入该文件夹。
```
mkdir my-tts-project
cd my-tts-project
```
使用 uv 初始化一个新的虚拟环境。这里我们指定使用Python 3.12版本，你也可以根据你的系统情况选择其他兼容版本。
```
uv init -p 3.12
```
激活虚拟环境后，使用 uv 来安装 kokoro-onnx 和 soundfile。soundfile 库用于将生成的音频数据保存为 .wav 文件。
```
uv add kokoro-onnx soundfile
```
这条命令会自动处理所有必需的依赖项。

2. 下载模型文件

Kokoro-ONNX 需要特定的模型文件来生成语音。你需要手动下载这些文件，并将它们放置在你的项目文件夹中。

模型文件: kokoro-v1.0.onnx
音色数据: voices-v1.0.bin

请从官方发布页面（Releases）下载这些文件。将下载好的 kokoro-v1.0.onnx 和 voices-v1.0.bin 两个文件直接放在 my-tts-project 文件夹下，与你的Python脚本放在同一目录。

3. 编写并运行Python脚本

现在，你可以在项目文件夹中创建一个Python脚本来调用Kokoro-ONNX。

步骤一：创建Python文件

在 my-tts-project 文件夹中创建一个名为 run_tts.py 的文件。

步骤二：编写代码

将以下示例代码复制并粘贴到你的 run_tts.py 文件中。这段代码演示了如何加载模型、选择声音并生成语音。

import soundfile as sf
from kokoro_onnx import TextToSpeech, Voice
# 1. 定义要转换为语音的文本
text = "你好，欢迎使用 Kokoro T T S。这是一个示例文本。"
# 2. 初始化文本转语音引擎
#    确保模型文件 'kokoro-v1.0.onnx' 和 'voices-v1.0.bin' 在同一目录下
tts = TextToSpeech()
# 3. 选择一个声音
#    这里使用 'misaki-v1.0-beta' 作为示例，你可以根据VOICES.md列表选择其他声音
voice = Voice.from_name("misaki-v1.0-beta")
# 4. 生成音频波形
#    这是一个核心步骤，引擎会根据文本和选择的声音合成音频
wav, rate = tts.tts(text=text, voice=voice)
# 5. 保存音频文件
#    使用 soundfile 库将音频数据写入一个名为 'output_audio.wav' 的文件
sf.write("output_audio.wav", wav, rate)
print("音频文件 'output_audio.wav' 已成功生成！")

步骤三：运行脚本

在你的终端中（确保你仍处于 my-tts-project 文件夹下），使用 uv 来运行这个脚本：

uv run run_tts.py

执行完毕后，你会在项目文件夹中找到一个名为 output_audio.wav 的音频文件。打开它，你就可以听到生成的语音了。

4. 使用CUDA进行GPU加速

如果你的设备拥有NVIDIA显卡并已配置好CUDA环境，你可以利用GPU来获得更快的合成速度。

安装GPU版本的依赖:你需要安装支持GPU的 onnxruntime-gpu。

uv add onnxruntime-gpu

在代码中指定使用CUDA:在初始化 TextToSpeech 对象时，通过 providers 参数明确指定使用CUDA。

# 将 tts = TextToSpeech() 修改为：
tts = TextToSpeech(providers=["CUDAExecutionProvider"])

这样，模型就会在GPU上运行，处理速度会得到显著提升。

应用场景

内容创作为视频、播客或有声读物快速生成旁白和配音，无需真人录制即可实现多样化的声音效果。
智能个人助理在开发的智能助理或机器人应用中集成语音输出功能，使其能够通过语音与用户进行交互，播报天气、新闻或提醒。
教育和辅助工具为语言学习软件提供标准发音，或为有阅读障碍的用户开发文本朗读工具，将网页、电子书等内容转换为语音。
自动化通知系统在监控系统或物联网（IoT）设备中，当触发特定事件时，自动生成语音警报或状态通知。

QA

这个工具支持哪些语言和声音？Kokoro-ONNX 支持多种语言，包括但不限于中文、英文和日文。具体支持的声音列表可以在项目仓库的 Kokoro-82M/VOICES.md 文件中找到，开发者会不定期更新。
这个工具必须在有显卡（GPU）的电脑上运行吗？不需要。该工具的核心优势之一就是能在普通的CPU上高效运行。它使用ONNX Runtime，默认情况下为CPU优化，使得在没有独立显卡的设备（如笔记本电脑）上也能获得很好的性能。当然，如果你有NVIDIA显卡，也可以配置使用CUDA来进一步加速。
什么是ONNX？为什么这个工具要用它？ONNX (Open Neural Network Exchange) 是一个用于表示深度学习模型的开放格式。这个工具使用ONNX，是因为它可以让模型脱离PyTorch、TensorFlow等庞大的训练框架，以轻量化的方式在多种硬件平台上（包括CPU和GPU）快速运行，从而大大降低了部署的复杂度和资源消耗。
生成的语音文件听起来卡顿或不自然怎么办？这可能与选择的声音模型或输入的文本有关。首先，请确保你使用的是官方推荐的最新模型文件。其次，可以尝试在文本中合理使用标点符号，因为标点会影响语音的停顿和节奏。最后，尝试更换不同的声音（Voice），因为每个声音的训练数据和特点都不同，对不同文本的适应性也会有差异。