Kokoro TTS: озвучка текста по API
Kokoro — открытая модель озвучки на 82 миллиона параметров, её веса лежат на Hugging Face под лицензией Apache 2.0. Kokoro часто ставят себе на компьютер, но для этого нужны Python, espeak-ng и вечер на настройку. По API проще: текст уходит в запрос, обратно приходит звук. Голосов — 54, языков — восемь, русского среди них нет.
- 1,12 ₽ за 1000 знаков
- до 4 096 знаков
- текст → звук
hexgrad/kokoro-82m
Обновлено:
Получить ключ Попробовать Документация
Попробовать Kokoro 82M
Отправь текст — модель вернёт его голосом. Запрос оплачивается с API-счёта по цене на кнопке, бесплатных проб нет; ошибка нейросети денег не стоит.
Текст для озвучки: «Welcome back! Today we will learn ten phrases you need at the airport.»
Голос: af_heart
В ответ приходит сам звук, по умолчанию MP3; цена — в заголовке x-veselo-cost-rub.
Цены Kokoro 82M в рублях
| Текст — считаем по знакам | 1,12 ₽ за 1000 знаков |
|---|
Запрос, который закончился ошибкой, денег не стоит. Кэшбэк — до 5% от расхода за месяц. Как считается цена
Сколько стоят типичные задачи
Суммы посчитаны по цене выше — сколько спишется за такую работу.
| Фразы для уроков английского: 600 фраз по 70 знаков | Около 47,04 ₽ |
|---|---|
| Аудиоверсии статей на английском: статья на 12 000 знаков | Около 13,44 ₽ |
| Вместо локальной установки: 100 фраз в день по 50 знаков, месяц | Около 168,00 ₽ |
| Голосовые ответы бота для иностранных гостей: 1 000 ответов по 60 знаков | Около 67,20 ₽ |
| Черновая озвучка для монтажа: сценарий на 1 500 знаков в трёх вариантах | Около 5,04 ₽ |
Что умеет Kokoro 82M
- 82 миллиона параметров. Модель построена на StyleTTS 2 и ISTFTNet, у неё только декодер и нет диффузии (карточка модели).
- 54 голосов на восьми языках: английский (американский и британский), испанский, французский, хинди, итальянский, японский, бразильский португальский и китайский (мандарин).
- Больше всего голосов у американского английского — 20, у британского — 8, а у французского всего один (список голосов).
- Лицензия Apache 2.0: веса открыты, модель можно ставить у себя и встраивать в коммерческие продукты.
- Меток и указаний подачи нет: всё в скобках модель прочитает вслух. Звучание зависит только от голоса и самого текста.
- Kokoro TTS API у нас принимает до 4 096 знаков за раз и отдаёт звук в MP3, WAV или PCM.
Где применять
Фразы для уроков английского
Языковой школе нужны сотни коротких фраз «для аэропорта», «для отеля», «для кафе», и каждая должна звучать чисто. Kokoro сильнее всего в английском: у американских голосов самые высокие оценки в таблице автора, у af_heart — «A», у af_bella — «A-». Одна фраза — один запрос, а готовые файлы можно положить прямо в карточки урока и больше не озвучивать. Для диалогов бери пару голосов: af_heart для пассажира и am_adam для сотрудника аэропорта.
Пример запроса: «Welcome back! Today we will learn ten phrases you need at the airport.»
Стоимость: 600 фраз по 70 знаков — около 47,04 ₽.
Аудиоверсии статей на английском
Англоязычный блог или база знаний получает кнопку «Послушать». Статью режь на куски до 4 096 знаков по абзацам и склеивай звук в один файл, а заголовки отделяй точкой, чтобы между разделами была пауза. Для читателей из Великобритании возьми британский голос — у bf_emma, например, оценка «B-». Голос удобно закрепить за блогом, чтобы все статьи звучали одинаково. Новую статью озвучивай при публикации, а старые — по одной, по мере того как их открывают.
Пример запроса: «In this guide, we compare three ways to back up your photos and explain which one fits a small team.»
Стоимость: статья на 12 000 знаков — около 13,44 ₽.
Вместо локальной установки
Kokoro часто ставят себе на компьютер или сервер, и это нормальный путь: веса открыты, и при большом объёме своя машина может обойтись выгоднее. Но ради бота на сто фраз в день разбираться с Python, espeak-ng и окружением долго, а потом ещё следить, чтобы всё не упало. API закрывает это одним запросом, и платишь за знаки, а не за простой машины.
Пример запроса: «Your order has shipped. Track it in the app.»
Стоимость: 100 фраз в день по 50 знаков, месяц — около 168,00 ₽.
Голосовые ответы бота для иностранных гостей
Отелю, ресторану или прокату, куда пишут туристы, удобно отвечать голосом: подтвердить бронь, напомнить время, объяснить дорогу. Хватает коротких фраз и одного узнаваемого голоса, а выбрать его можно из 20 американских и 8 британских. Текст ответа бот уже знает, остаётся отправить его в API и приложить звук к сообщению. Частые ответы вроде часов работы или адреса озвучь один раз и храни готовыми файлами.
Пример запроса: «Your table for two is booked for seven p.m. See you tonight!»
Стоимость: 1 000 ответов по 60 знаков — около 67,20 ₽.
Черновая озвучка для монтажа
Монтажёр собирает ролик под голос, которого ещё нет: диктор запишется только в пятницу. Черновую дорожку можно сделать Kokoro за пару запросов, и по ней сразу видно длину фраз и паузы. Когда придёт финальная запись, черновик просто уйдёт с таймлайна. А если клиент захочет три варианта текста, переозвучить их — дело минут, а не новой записи в студии. Заодно по черновику диктор слышит темп, под который смонтирован ролик.
Пример запроса: «Meet the new app. Three taps, and your groceries are on the way.»
Стоимость: сценарий на 1 500 знаков в трёх вариантах — около 5,04 ₽.
Короткие фразы на японском, китайском и хинди
У Kokoro есть голоса для японского (5), китайского (8) и хинди (4). Автор честно предупреждает: неанглийские языки могут звучать слабее из-за разбора произношения и небольшого объёма данных. Поэтому сначала проверь свои фразы в «Попробовать», а для длинных текстов сравни результат с моделями, у которых этот язык основной. Голос выбирай с той же первой буквой, что и язык: j — японский, z — китайский, h — хинди.
Пример запроса: «こんにちは。今日はいい天気ですね。»
Стоимость: 300 фраз по 30 знаков — около 10,08 ₽.
Как писать запрос
- Выбирай голос под язык текста. Первая буква имени — язык: a — американский английский, b — британский, e — испанский, f — французский, h — хинди, i — итальянский, j — японский, p — португальский, z — китайский. Вторая буква — пол, f или m. Автор прямо просит, чтобы язык и голос совпадали.
- Пиши обычный текст без меток и скобок: модель прочтёт их вслух.
- Паузы задавай пунктуацией: точкой, запятой, тире.
- Длинный текст режь по абзацам до 4 096 знаков.
Характеристики
| Разработчик | Hexgrad |
|---|---|
| Вид | Озвучка текста |
| Голоса | af_alloy, af_aoede, af_bella, af_heart, af_jessica, af_kore и ещё 6 |
| Языки | en, es, fr, hi, it, ja, pt, zh |
| Текст за запрос | до 4 096 знаков |
| Форматы звука | wav, pcm |
| id для запроса | hexgrad/kokoro-82m |
- Автор: hexgrad, модель выложена на Hugging Face (карточка).
- Версия: v1.0 от 27 января 2025 года; до неё была v0.19 от 25 декабря 2024-го.
- Размер: 82 миллиона параметров.
- Лицензия: Apache 2.0.
- Голоса: 54 — американский английский 20, британский 8, китайский 8, японский 5, хинди 4, испанский 3, португальский 3, итальянский 2, французский 1.
- Частота звука: 24 кГц, как в примерах автора (библиотека kokoro).
Как подключить
Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI.
Запрос — POST https://veselo.ai/v1/audio/speech с полем model: hexgrad/kokoro-82m, ключ — в заголовке Authorization: Bearer sk-vsl-….
curl
curl https://veselo.ai/v1/audio/speech \
-H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
-H "Content-Type: application/json" \
-d '{
"model": "hexgrad/kokoro-82m",
"voice": "af_alloy",
"input": "Добрый вечер! Сегодня в программе — хорошие новости."
}' \
--output speech.mp3Python
from openai import OpenAI # pip install openai
client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)
with client.audio.speech.with_streaming_response.create(
model="hexgrad/kokoro-82m",
voice="af_alloy",
input="Добрый вечер! Сегодня в программе — хорошие новости.",
) as r:
r.stream_to_file("speech.mp3")JavaScript
import fs from 'node:fs';
const res = await fetch('https://veselo.ai/v1/audio/speech', {
method: 'POST',
headers: { Authorization: 'Bearer sk-vsl-ТВОЙ_КЛЮЧ', 'Content-Type': 'application/json' },
body: JSON.stringify({ model: 'hexgrad/kokoro-82m', voice: 'af_alloy', input: 'Добрый вечер! Сегодня в программе — хорошие новости.' }),
signal: AbortSignal.timeout(600_000),
});
if (!res.ok) throw new Error((await res.json()).error.message);
fs.writeFileSync('speech.mp3', Buffer.from(await res.arrayBuffer()));Пример ответа — только поля
HTTP/1.1 200 OK
Content-Type: audio/mpeg
x-veselo-cost-rub: …
<звук MP3>В программах: тем же ключом — из любого кода, а без ключа Claude, ChatGPT и Cursor зовут модель по MCP: вход на сайте и кнопка «Разрешить». MCP
Сравнение с похожими
| Модель | Цена | Главное | Когда выбрать |
|---|---|---|---|
| Kokoro 82M — эта модель | 1,12 ₽ / 1000 знаков | до 4 096 знаков | английская озвучка открытой моделью без своего сервера: уроки, статьи, черновики |
| Orpheus 3B — Canopy Labs | 1,68 ₽ / 1000 знаков | до 4 096 знаков | английские реплики с живыми звуками — смех, вздох, кашель — метками в тексте |
| Deepgram Aura-2 — Deepgram | 3,36 ₽ / 1000 знаков | до 4 096 знаков | английские и европейские голоса для ботов, IVR и уведомлений, когда русский не нужен |
| Amazon Polly Generative — Amazon | 3,36 ₽ / 1000 знаков | до 3 000 знаков | разговорные английские и европейские голоса с акцентами для ассистентов и рекламы |
| OpenAI TTS-1 — OpenAI | 1,68 ₽ / 1000 знаков | до 4 096 знаков | короткие подсказки и уведомления, где скорость ответа важнее тембра |
| Soniox TTS v2 — Soniox | 1,58 ₽ / 1000 знаков | до 4 096 знаков | один голос на многих языках и эмоции метками в тексте, русский есть |
- Orpheus 3B — тоже открытая модель под Apache 2.0, но построена на Llama 3.2 3B и умеет смех, вздохи и другие звуки метками; только английский, восемь голосов.
- Deepgram Aura-2 — закрытая модель Deepgram для ботов и голосовых меню: семь языков и описанный характер у каждого голоса.
- Amazon Polly Generative — генеративный движок Amazon: английский с восемью акцентами и ещё девять языков.
- OpenAI TTS-1 — озвучка OpenAI с готовыми голосами; подходит, если кроме английского нужен и русский.
Подробно о Kokoro 82M
Полное имя модели — Kokoro 82M, по числу параметров, и выросла она из маленького эксперимента. Версия v0.19 вышла 25 декабря 2024 года: меньше 100 часов обучающих записей, один язык и 10 голосов. Через месяц, 27 января 2025-го, вышла v1.0 — несколько сотен часов записей, восемь языков и 54 голоса. На обучение, по словам автора, ушло около 1000 часов работы видеокарты A100 с 80 ГБ памяти.
Внутри — архитектура StyleTTS 2 с вокодером ISTFTNet, и автор отдельно подчёркивает: выложен только декодер, без диффузии, а кодировщик в релиз не вошёл. Отсюда и скромный размер: 82 миллиона параметров — в десятки раз меньше, чем у Orpheus, построенной на языковой модели с 3 миллиардами. Текст перед озвучкой проходит через misaki — библиотеку, которая переводит буквы в звуки, а для части языков и редких английских слов подключается espeak-ng.
Этим же объясняется главная оговорка. В таблице голосов автор ставит каждому голосу оценку по качеству и объёму обучающих записей и прямо пишет: чем меньше часов, тем ниже оценка. У af_heart — «A», у af_bella — «A-», а у большинства остальных — от «C+» до «D». Неанглийская речь, по словам автора, может звучать слабее из-за разбора произношения и нехватки данных, а французский представлен всего одним голосом.
Почему рядом с Kokoro так часто ищут «kokoro tts local», «kokoro tts скачать» и «kokoro github». Лицензия Apache 2.0 разрешает ставить модель где угодно, библиотека kokoro ставится одной командой pip, и многие запускают её у себя. Для этого нужны Python, espeak-ng и машина, которая выдержит нагрузку. По API ничего этого не нужно: ключ, запрос, звук. Свой сервер выгоден при больших и ровных объёмах, API — когда объём скачет или проект только стартует.
И честно о том, чего нет: русского языка, меток эмоций и управления подачей. Если без них никак, смотри на соседей в сравнении выше.
Как устроен доступ
Весело — не разработчик Kokoro 82M: модель выпускает Hexgrad. Мы даём к ней доступ по API — один ключ на все модели, оплата в рублях с API-счёта, а цена каждого ответа видна в самом ответе. Запрос, который закончился ошибкой, денег не стоит. Что мы храним о запросах и сколько — в разделе «Данные и приватность» документации. Данные и приватность
Вопросы и ответы
- Есть ли у Kokoro русский язык?
- Нет. В v1.0 восемь языков, русского среди них нет, так что запрос «kokoro text to speech russian» пока остаётся без ответа у самого автора. Русские голоса по API есть у Cartesia Sonic 3.6 и Inworld TTS-2.
- Нужен ли ключ, чтобы запустить Kokoro у себя?
- Нет. Для локального запуска ключ не нужен: Kokoro — это открытые веса и библиотека kokoro для Python, без регистрации и кабинета. Ключ нужен только для API, например нашего, если держать модель у себя не хочется.
- Что выгоднее: Kokoro локально или по API?
- Зависит от объёма. Локальная установка требует машины, настройки и присмотра, зато не берёт плату за знак. По API платишь только за озвученный текст, 1,12 ₽ за 1000 знаков, и ничего не настраиваешь. Для бота или сайта со скромным потоком фраз API обычно проще, для озвучки миллионов знаков каждый день стоит посчитать свой сервер.
- Можно ли использовать озвучку Kokoro в коммерческом проекте?
- Лицензия модели — Apache 2.0, а она разрешает коммерческое использование. Автор так и пишет: с весами под Apache Kokoro можно развернуть где угодно.
- Сколько стоит озвучить 10 000 знаков на Kokoro?
- Около 11,20 ₽. Отправляй текст частями до 4 096 знаков, а если запрос закончится ошибкой, он ничего не будет стоить.
- Нужны ли VPN и зарубежная карта для Kokoro 82M?
- Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
- Что будет, если запрос закончится ошибкой?
- Запрос, который закончился ошибкой нейросети, денег не стоит: удержание на время запроса снимается целиком. Цену удачного ответа видно в рублях сразу.
- Есть ли подписка или абонентская плата?
- Нет. API-счёт пополняется на нужную сумму, а списывается только то, что потратили запросы. Чем больше расход за месяц, тем больше кэшбэк — от 1 до 5%.
Ещё по теме
Факты сверены 16 ноября 2026 по документации: huggingface.co, github.com