简介说明
okoro-82M，就是这样一款满足所有条件的神器。它只有82M参数，却能输出相当自然的中文语音；体积小巧到只需几百MB，却支持8种不同音色。更重要的是——它完全开源，Apache 2.0许可，零成本商用。
整合包附带103种(男，女)中文音色。
| 概念 | 定义 |
|---|---|
| Kokoro-82M | 由 hexgrad 开发的轻量级TTS模型，仅82M参数，支持8种中文音色 |
| ONNX优化 | 模型经过ONNX优化，可在CPU上高效推理，无需GPU |
| 语音管道(Pipeline) | Kokoro 的核心API，负责分词、音素转换、语音合成全流程 |
| 音色(Voice) | 预训练的音色模型，不同音色适合不同场景 |
| 指标 | 数值 |
|---|---|
| 参数规模 | 82M |
| 模型大小 | ~165MB |
| 输出采样率 | 24kHz |
| 支持语言 | 中文、英语、日语、韩语等8种 |
| 中文音色数 | 103种(男，女) |
| 推理设备 | CPU / GPU |
| 许可协议 | Apache 2.0 |
对比同级别模型，Kokoro 在中文场景下表现尤为突出——不仅音色自然，而且对中文多音字的处理也相当不错。对于没有GPU的个人开发者来说，这可能是目前最优的中文TTS本地方案。
一、先说它解决了什么问题
Kokoro 的模型很轻，生成速度也很讨喜，但第一次接触官方项目时，通常要自己准备 Python 环境、安装依赖、下载模型，再从示例代码里改文本。对于熟悉 Python 的开发者，这套流程很直接；对于只是想把一段文字读出来的人，却多了几道门槛。
这个 Windows 便携包做的事情很具体：把官方的 Kokoro ONNX 推理能力装进一个可以拷走的目录里。双击“启动webui.bat”，浏览器会打开本地页面，输入文字、选择音色，按下生成，就能得到 WAV 文件。内置 Python模型和依赖都放在包内，不要求电脑另外安装 Python，也不依赖项目当前所在的工作目录。
网页默认示例使用的是官方中文示例中的“千里之行，始于足下。”，不是另写的一段宣传文案。这样既方便第一次试听，也能和官方示例的结果进行对照。
二、官方 kokoro-onnx 是什么
官方项目是 Kokoro-TTS 的 ONNX Runtime 封装，核心接口保持得很干净：准备模型、音色和文本，调用 Kokoro.create() 生成音频。官方 README 列出的重点包括多语言、多音色、CPU/GPU 运行，以及较小的模型体积；项目本身还提供保存音频、中文示例和流式生成等示例代码。
官方中文示例采用 Misaki 的中文 G2P，把“千里之行，始于足下。”转换为模型能识别的音素，再交给 ONNX 模型合成。这种设计适合写程序、做服务，或者把 Kokoro 接到自己的应用里。
三、本地整合包多了哪些东西
1. 打开即用的中文 WebUI
整合包把常用参数放到了页面上：文本、音色、语速、音量和生成结果都能直接操作。生成结果区域会显示生成次数、开始时间、完成时间和当前文件名。第二次生成时，页面会明确提示播放器正在使用旧音频，直到新文件真正生成后再更新，避免“看起来没变化”却不知道到底有没有重新合成的问题。
2. 发音覆盖（本地增强）
中文里最容易遇到的不是模型不会说，而是同一个字在不同词里读法不同。例如：
长向 = chang2 xiang4
把规则写在输入框中，系统会在合成前检查格式、拼音数量和是否能生成有效音素。通过后才开始推理；检查失败时会告诉你哪一行有问题，并给出可修改的格式建议。
这里要说清楚：发音覆盖不是官方 kokoro-onnx API，而是本地 WebUI 加上的增强功能。它会优先按词组处理覆盖内容，因此“长向”这类容易被分词器拆开的词，也能按指定读音合成。预检默认开启，开关记录在 jxshn-com_pz.ini；不需要时可以取消勾选，以减少一次检查带来的等待。
3. 音色混合与长文本选项
页面支持选择第二个音色并调整混合比例，适合做更柔和或更有辨识度的声音。连续长文本模式则尽量保持长句之间的连贯性，但会增加推理耗时，默认关闭。句号和逗号停顿也可以分别调整，朗读诗词、说明文和对白时更容易找到合适的节奏。
4. 更适合移动和交付
包内提供模型、音色文件、运行时、许可证说明、版本信息和 SHA256SUMS.txt 校验文件。启动端口从 8888 开始，如果被占用会自动尝试下一个端口。模型路径使用包内相对位置，换到另一块硬盘或另一台没有 Python 的 Windows 电脑上，仍按同样的方式启动。
四、和官方项目相比，优点在哪里
官方项目更像一个可靠的发动机，本地整合包则把发动机、控制面板和出厂工具放到了一起。
| 对比项 | 官方 kokoro-onnx | 本地整合包 |
|---|---|---|
| 使用方式 | 以 Python API 和示例代码为主 | 浏览器 WebUI，双击启动 |
| 环境准备 | 需要自行准备 Python、依赖和模型 | 内置 Python、依赖、模型和音色 |
| 中文体验 | 提供中文 G2P 示例 | 中文默认示例、中文界面和中文参数提示 |
| 多音字处理 | 由 G2P 和词典决定 | 增加发音覆盖和生成前预检 |
| 音色操作 | 通过代码传入音色 | 页面选择音色，可调混合比例 |
| 长文本 | 通过 API 参数控制 | 页面直接开启连续合成并调停顿 |
| 发布检查 | 由使用者自行处理 | 提供版本、许可证和 SHA256 校验信息 |
最大的优势不是“模型变大了”，而是少了很多重复准备工作。测试、试听、改一个多音字、重新生成一段 WAV，这些操作都能在一个页面里完成。对于不想维护虚拟环境、又需要反复试听中文读音的人，差别非常明显。
五、它的缺点也要提前知道
第一，便携包并不等于小文件。模型和内置运行时会占用数百 MB 磁盘空间，复制和备份都比单独安装 Python 包更重。
第二，它目前是面向 Windows 的本地工具，页面监听在 127.0.0.1，适合个人电脑使用，不是开箱即用的局域网服务或云端 API。Linux、macOS 用户仍然更适合直接使用官方项目或自行搭建环境。
第三，发音覆盖属于本地增强，不是官方模型能力。它解决的是指定词组的读音控制，不会自动理解所有上下文；规则写错、拼音声调写错，仍然需要人工检查。预检能拦住很多格式问题，但它不能替人判断一句话在文学语境里是否“最自然”。
第四，官方项目更新会更快。整合包为了便携和稳定，固定了 Python、模型、依赖和页面版本。想第一时间使用上游的新接口，开发者仍然应该关注官方仓库，并在需要时自行升级，而不是把整合包当成官方发行版。
最后还有许可证问题：kokoro-onnx 代码采用 MIT License，Kokoro 模型采用 Apache License 2.0，但软件代码和模型授权是两件事。对外分发或二次商用前，应当同时查看官方仓库、模型卡和随包提供的 LICENSES.txt，不能只看代码仓库的许可证。
六、适合哪些人
如果你要做中文朗读、短视频配音、小说试音、诗词试听，或者只是想快速比较不同音色，这个整合包会比从命令行开始搭环境省事很多。尤其是经常遇到“这个字在这里要换一个读法”的场景，发音覆盖能把反复改代码变成改一行规则。
如果你正在开发自己的 TTS 产品，需要异步流式接口、服务端并发、跨平台部署或精细控制推理生命周期，官方 Python API 反而更合适。整合包的定位是本地创作和快速验证，不是替代上游库的开发框架。
七、从哪里开始
下载并解压整合包后，双击“启动webui.bat”。首次启动会加载模型，等待时间取决于电脑性能。进入页面后先用默认示例试听，再换成自己的文字；遇到多音字时，在“发音覆盖（本地增强）”中按“原文 = 数字声调拼音”的格式逐行填写。确认预检通过后再生成，通常比盲目反复试听更快找到正确读法。
这套本地包没有改变 Kokoro 的核心模型，它做的是把官方能力整理成一条更短的使用路径：下载、启动、输入、试听、修正、导出。对于想把中文 TTS 真正用起来的人，这往往比再多一个参数更有价值。
系统资源消耗情况
整合包运行前
运行后占用内存0.7G
kokoro生成中占用1.3G
图片预览
一句话 0.5秒合成音频
字数长也能几秒内合成 4.38秒
下载地址
评论抢沙发