Trải nghiệm khi dùng Kokoro
Kokoro thuộc nhóm công cụ dành cho người biết Python: bạn cài bằng pip, viết vài dòng mã chọn giọng và ngôn ngữ, đưa văn bản vào, rồi nhận về các đoạn âm thanh để lưu thành file WAV. README có sẵn đoạn mã mẫu chạy được trong Google Colab (Python chạy trên trình duyệt), nên bạn có thể thử mà không cần cài gì lên máy.
Điểm nổi bật là mô hình nhỏ nên không đòi hỏi card đồ hoạ mạnh. Trên máy Mac chip Apple có thể bật biến môi trường cho phép dùng GPU, còn trên Windows bạn cần cài thêm trình espeak-ng để mô hình xử lý phát âm cho các trường hợp ngoài từ điển.
Bạn chọn giọng bằng tên, ví dụ giọng af_heart trong ví dụ của README, và chọn mã ngôn ngữ cho khớp giọng. Đây là thư viện chứ không phải ứng dụng có nút bấm, nên muốn giao diện bạn cần dùng các dự án bên thứ ba dựng sẵn trên Kokoro.
Tính năng nổi bật
Nhỏ và nhanh
Chỉ 82 triệu tham số nên nhẹ, tác giả nói chất lượng tương đương mô hình lớn hơn mà nhanh và tiết kiệm hơn.
Cài bằng một lệnh pip
Gói kokoro có trên PyPI, ví dụ mẫu chỉ khoảng chục dòng mã.
Nhiều giọng đọc
Mỗi ngôn ngữ có nhiều giọng, chọn bằng tên giọng khi gọi thư viện, và có thể nạp tensor giọng tự lưu.
Đa ngôn ngữ (không có tiếng Việt)
README liệt kê tiếng Anh Mỹ và Anh, Tây Ban Nha, Pháp, Hindi, Ý, Nhật, Bồ Đào Nha Brazil và Trung Quốc phổ thông. Tiếng Việt không nằm trong danh sách.
Giấy phép Apache cho trọng số
Trọng số mở theo Apache, tác giả nói có thể triển khai trong sản phẩm thương mại và dự án cá nhân.
Chạy được trong Colab và Mac
Có ví dụ cho Google Colab, và hướng dẫn bật MPS fallback để tăng tốc trên Mac chip Apple.
Tận dụng Kokoro vào việc gì?
Người học tiếng Anh, sinh viên
Đọc bài viết, sách, tài liệu bằng tiếng Anh
Biến bài đọc dài thành file âm thanh để nghe khi đi đường hoặc luyện nghe.
Lập trình viên
Giọng đọc trong ứng dụng
Nhúng vào bot, trợ lý hay ứng dụng cần giọng đọc chạy cục bộ, không phụ thuộc dịch vụ trả phí.
Người làm video
Làm giọng đọc cho video tiếng Anh
Tạo lời bình ngắn cho video hướng dẫn hoặc video tiếng Anh với chi phí bằng 0, không cần thu âm.
Người thích tự dựng máy chủ, sinh viên
Thử nghiệm trên thiết bị yếu
Chạy trên máy tính cũ hoặc máy chủ nhỏ vì mô hình nhẹ.
Cần chuẩn bị gì?
- Python và pip; README dùng ví dụ Python và có file môi trường conda với Python 3.9 nếu gặp xung đột thư viện.
- Trình espeak-ng để dự phòng phát âm; trên Windows cài từ trang Releases của espeak-ng.
- Không đòi hỏi card đồ hoạ mạnh; Mac chip Apple có thể bật PYTORCH_ENABLE_MPS_FALLBACK=1 để dùng GPU.
- Với tiếng Nhật hoặc Trung cần cài thêm gói misaki tương ứng.
Hướng dẫn cài đặt chi tiết
Cài trên Windows
Cài Python (python.org). Tải bản cài espeak-ng dạng .msi mới nhất ở trang Releases của espeak-ng rồi chạy để cài.
https://github.com/espeak-ng/espeak-ng/releasesMở PowerShell, tạo môi trường ảo cho gọn rồi cài thư viện.
python -m venv .venv .venv\Scripts\activate pip install -q "kokoro>=0.9.4" soundfile
Cài trên macOS và Linux
Cài espeak-ng bằng trình quản lý gói của hệ thống (Homebrew trên macOS, apt trên Ubuntu). README ví dụ lệnh apt dùng trong Colab.
# Ubuntu / Debian sudo apt-get install espeak-ng # macOS brew install espeak-ngCài thư viện trong một môi trường ảo.
python3 -m venv .venv source .venv/bin/activate pip install -q "kokoro>=0.9.4" soundfileMac chip Apple có thể bật GPU khi chạy script của bạn.
PYTORCH_ENABLE_MPS_FALLBACK=1 python ten-script-cua-ban.py
Cài trên Google Colab
Cách nhanh nhất để thử mà không cài gì: mở Google Colab (colab.research.google.com), tạo notebook mới và dán đoạn cài đặt trong README vào ô mã đầu tiên.
!pip install -q kokoro>=0.9.4 soundfile !apt-get -qq -y install espeak-ng > /dev/null 2>&1
Dùng thử lần đầu
Tạo một file Python mới tên thu_kokoro.py với nội dung dưới. Mã lấy từ ví dụ của README, dùng giọng af_heart tiếng Anh Mỹ và lưu mỗi đoạn thành file WAV.
from kokoro import KPipeline import soundfile as sf pipeline = KPipeline(lang_code='a') text = 'Hello, this is a short test of the Kokoro text to speech model.' generator = pipeline(text, voice='af_heart') for i, (gs, ps, audio) in enumerate(generator): sf.write(f'{i}.wav', audio, 24000)Chạy file này, lần đầu sẽ tải mô hình về.
python thu_kokoro.pyMở các file 0.wav, 1.wav... vừa tạo để nghe thử.
Đổi tên giọng và mã ngôn ngữ cho khớp nhau (ví dụ mã a là tiếng Anh Mỹ, b là tiếng Anh Anh) để thử các giọng khác. Tham số speed cho phép chỉnh tốc độ đọc.
Mẹo dùng hay
- Mã ngôn ngữ (lang_code) phải khớp với giọng; chọn sai thì giọng đọc kém hoặc lỗi.
- Đọc văn bản dài thì thư viện tự chia thành nhiều đoạn, bạn lưu từng đoạn rồi nối bằng FFmpeg hoặc phần mềm dựng.
- Nếu gặp xung đột thư viện, thử file môi trường conda mà README cung cấp.
- Muốn có giao diện đồ hoạ, tìm các dự án cộng đồng xây trên Kokoro, nhớ kiểm tra độ tin cậy trước khi tải.
Lưu ý và hạn chế
- Không hỗ trợ tiếng Việt trong danh sách ngôn ngữ chính thức. Nếu cần đọc văn bản tiếng Việt, hãy tìm công cụ khác.
- Đây là thư viện cho người biết Python, không phải ứng dụng có giao diện sẵn.
- Giọng tổng hợp có thể bị dùng sai mục đích. Khi đăng nội dung dùng giọng AI, hãy ghi chú rõ ràng nếu cần và đừng dùng để mạo danh ai.
Câu hỏi thường gặp
Kokoro có đọc tiếng Việt không?
Theo README, các ngôn ngữ hỗ trợ là tiếng Anh, Tây Ban Nha, Pháp, Hindi, Ý, Nhật, Bồ Đào Nha Brazil và Trung Quốc. Tiếng Việt không có trong danh sách.
Có dùng thương mại được không?
Tác giả nêu rõ trọng số theo giấy phép Apache và có thể triển khai trong sản phẩm thương mại. Vẫn nên đọc kỹ file giấy phép của repo và của các thư viện đi kèm.
Máy yếu chạy được không?
Mô hình chỉ 82 triệu tham số nên nhẹ hơn nhiều mô hình TTS khác. README không đưa mức yêu cầu cụ thể, bạn nên thử với câu ngắn trước.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/hexgrad/kokoro.gitRepo tương tự nên xem
F5-TTS
SWivid / F5-TTS
Bắt chước giọng nói từ vài giây âm thanh mẫu rồi đọc văn bản mới bằng giọng đó
ChatTTS
2noise / ChatTTS
Mô hình đọc văn bản cho hội thoại, giọng tự nhiên có cả tiếng cười và quãng ngắt nghỉ
Fish Speech
fishaudio / fish-speech
Mô hình đọc văn bản thành giọng nói, nhân bản giọng và điều khiển cảm xúc bằng thẻ trong câu.