Birkaç yıl önce, yerel ve gerçekçi ses sentezi hayal gibi görünüyordu. Ancak bugün, Kokoro gibi modeller sayesinde bu artık mümkün. Kokoro, sadece 82 milyon parametreye sahip olmasına rağmen İngilizce, Mandarin ve Hintçe gibi birden çok dilde gerçekçi konuşma üretebiliyor. Model, özellikle İngilizce için optimize edilmiş yaklaşık 50 farklı ses sunuyor. En önemlisi, tüm bu işlemler kullanıcının kendi bilgisayarında, CPU üzerinde gerçekleşiyor, böylece gizlilikten ödün vermiyor.
Kokoro'yu kullanmaya başlamak için en kolay yöntem, hazır bir konteyner imajı olan Kokoro-FastAPI'yi kullanmak. Bu imaj, önceden indirilmiş ses modellerini içerdiği için yaklaşık 5 GB boyutunda. Docker veya Podman ile kolayca çalıştırılabiliyor. Konteyner başlatıldığında, localhost:8880/web adresinde basit bir web arayüzü sunuyor. Bu arayüz üzerinden metin girip ses çıktısı almak ve otomatik olarak dinlemek mümkün.
Kokoro-FastAPI, OpenAI'nin konuşma API'si ile uyumlu bir TTS arayüzü de sağlıyor. Bu sayede, halihazırda OpenAI API'sini kullanan uygulamalar kolayca Kokoro'ya yönlendirilebiliyor. Örnek JavaScript ve Python kodları github.com/remotebrowser/speak adresinde mevcut. Ayrıca, TTS_VOICE ortam değişkeni ile farklı sesler seçilebiliyor. Tüm seslerin listesine Kokoro'nun Hugging Face sayfasından ulaşılabilir.
Performans testleri, Kokoro'nun eski CPU'larda bile hızlı çalıştığını gösteriyor. Örneğin, 12 yıllık bir Intel Core i7-4770K işlemcide kısa bir paragrafı 4.7 saniyede sentezlerken, AMD Ryzen 7 8745HS ile bu süre 1.5 saniyeye düşüyor. Alternatif olarak Speaches (speaches.ai) değerlendirilebilir. Speaches, Kokoro'dan farklı olarak ses ağırlıklarını konteyner imajına dahil etmez, API üzerinden indirilmesini gerektirir. Ancak Speaches, OpenAI'nin ünlü Konuşmadan Metne (STT) sistemi Whisper'ı da içerir. Hem TTS hem de STT ihtiyacı olan uygulamalar için tek durak çözüm olabilir.
