Kokoro: CPU पर चलने वाला लोकल TTS सिस्टम
मूल शीर्षक: Local, CPU-Friendly, High-Quality TTS (Text-to-Speech) with Kokoro
यह क्यों महत्वपूर्ण है
GPU के बिना, पूरी तरह CPU पर यथार्थवादी TTS चलाना स्थानीय AI अनुप्रयोगों में गोपनीयता और लागत की दृष्टि से महत्वपूर्ण कदम है।
Kokoro एक ओपन-सोर्स Text-to-Speech मॉडल है जो केवल 82M parameters के साथ अंग्रेज़ी, मंदारिन और हिन्दी सहित कई भाषाओं में यथार्थवादी आवाज़ उत्पन्न करता है। यह पूरी तरह CPU पर चलता है और लगभग 50 अलग-अलग आवाज़ें प्रदान करता है।
Kokoro एक स्थानीय TTS (Text-to-Speech) प्रणाली है जो केवल 82 मिलियन parameters के साथ उच्च-गुणवत्ता वाली आवाज़ संश्लेषण करती है। यह मॉडल अंग्रेज़ी, मंदारिन और हिन्दी सहित कई भाषाओं को सपोर्ट करता है और लगभग 50 विभिन्न आवाज़ें प्रदान करता है।
सबसे सरल सेटअप के लिए Kokoro-FastAPI नामक एक pre-made container image उपलब्ध है, जिसमें voice models पहले से डाउनलोड होती हैं। इस container का आकार लगभग 5 GB है। Docker या Podman के ज़रिए इसे चलाया जा सकता है। यह OpenAI speech API के साथ संगत interface भी प्रदान करता है।
CPU पर प्रदर्शन के परिणाम निम्न हैं — Intel Core i7-4770K (12 साल पुराना): 4.7 सेकंड, Apple M2 Pro: 4.5 सेकंड, और AMD Ryzen 7 8745HS: 1.5 सेकंड। यह 12 साल पुराने CPU पर भी सुचारू रूप से काम करता है।
इसके अतिरिक्त, Speaches (speaches.ai) एक वैकल्पिक OpenAI-compatible containerized TTS सेवा है। Speaches में OpenAI का Whisper Speech-to-Text (STT) सिस्टम भी शामिल है, जिससे TTS और STT दोनों एक ही समाधान में मिलते हैं। हालांकि, Speaches में voice weights को API के ज़रिए अलग से डाउनलोड करना होता है।