Весело
Весело

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 знакам1,12 ₽ 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 знаковОколо 47,04 ₽
Аудиоверсии статей на английском: статья на 12 000 знаковОколо 13,44 ₽
Вместо локальной установки: 100 фраз в день по 50 знаков, месяцОколо 168,00 ₽
Голосовые ответы бота для иностранных гостей: 1 000 ответов по 60 знаковОколо 67,20 ₽
Черновая озвучка для монтажа: сценарий на 1 500 знаков в трёх вариантахОколо 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

РазработчикHexgrad
ВидОзвучка текста
Голосаaf_alloy, af_aoede, af_bella, af_heart, af_jessica, af_kore и ещё 6
Языкиen, es, fr, hi, it, ja, pt, zh
Текст за запросдо 4 096 знаков
Форматы звукаwav, pcm
id для запросаhexgrad/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.mp3

Python

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

Документация раздела

Сравнение с похожими

МодельЦенаГлавноеКогда выбрать
Kokoro 82M — эта модель1,12 ₽ / 1000 знаковдо 4 096 знакованглийская озвучка открытой моделью без своего сервера: уроки, статьи, черновики
Orpheus 3B — Canopy Labs1,68 ₽ / 1000 знаковдо 4 096 знакованглийские реплики с живыми звуками — смех, вздох, кашель — метками в тексте
Deepgram Aura-2 — Deepgram3,36 ₽ / 1000 знаковдо 4 096 знакованглийские и европейские голоса для ботов, IVR и уведомлений, когда русский не нужен
Amazon Polly Generative — Amazon3,36 ₽ / 1000 знаковдо 3 000 знаковразговорные английские и европейские голоса с акцентами для ассистентов и рекламы
OpenAI TTS-1 — OpenAI1,68 ₽ / 1000 знаковдо 4 096 знаковкороткие подсказки и уведомления, где скорость ответа важнее тембра
Soniox TTS v2 — Soniox1,58 ₽ / 1000 знаковдо 4 096 знаководин 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