在浏览器里跑的文字转语音

贴上文字，挑一个英文声音，把音频下载走。Kokoro 模型在你自己的机器上运行，文字不上传，也没有账号这回事。

运行于
检测中…
首次下载
—
声音
28 个英文
模型许可证
Apache-2.0

0/3,000

挑声音

点任意声音后面的 ▶，它会当场用那个声音念一句给你听——不是事先录好的音频片段，是现在在你机器上生成的。

美音 · 女声

美音 · 男声

英音 · 女声

英音 · 男声

后面的字母是 Kokoro 模型卡里作者自己给的质量评级：A 的训练音频最多，F 最少。C 及以下的声音遇到生僻词容易含混。

1.00×

准备好了，随时可以开始。

它是怎么把字读出来的

一 · 先把数字改写成人话

语音模型认的是音素，不是阿拉伯数字。所以第一步是按人会怎么念来改写：「$4.50」变成「4 dollars and 50 cents」，「2:30」变成「2 30」，「1984」变成「19 84」，「Dr.」变成「Doctor」，千分位逗号去掉，免得「12,000」被一位一位念出来。

二 · 按句子打包成几趟

Kokoro 一次最多看 510 个音素，大致相当于 500 个英文字符。所以文本先按句末断开（「Mr.」这类缩写和「3.5」这类小数不算句末），再把句子装进一趟一趟塞得下的包里。每一趟一生成完就接着播，所以第一句在响的时候后面还在算。

三 · 字母先变音素，再变声音

eSpeak NG 的 WebAssembly 版把每句话转成 IPA 音素，字符级 tokenizer 把音素映射成 id，然后 Kokoro——一个 8,200 万参数的 StyleTTS 2 模型——拿音素加一个 256 维的声音向量，算出 24 kHz 的波形。28 个声音之间的差别，全在那 256 个数字里。

本机实测（M2 Max，Chrome）：「放一段小说」那段文字（约 1,850 个字符，111 秒音频）在 WebGPU 上用 9.3 秒，CPU 模式（单条 WebAssembly 线程）用 166 秒；第二次打开从缓存恢复约 1.4 秒。模型：onnx-community/Kokoro-82M-v1.0-ONNX，WebGPU 走 fp32，CPU 走 q4。

常见问题

我贴进去的文字会被传走吗？

不会。页面只在第一次从 CDN 下载模型，之后所有事情——数字改写、音素、神经网络、生成 WAV——都发生在这个标签页里。打开浏览器的网络面板再点「开始朗读」，你会看到一个外发请求都没有。

而且服务器那边也没有地方存：这就是一个静态页面，没有账号也没有数据库。

能读哪些语言、有哪些声音？

只读英文：11 个美音女声、9 个美音男声、4 个英音女声、4 个英音男声，一共 28 个，都来自 Kokoro v1.0。

Kokoro 本身带 54 个声音，包含普通话、日语、西班牙语、法语、意大利语、葡萄牙语和印地语。这一页没提供它们，原因见下一条。

为什么没有中文声音？

Kokoro 认的不是汉字或字母，是音素，所以每种语言都得先有一套「文字转音素」（G2P）放在模型前面。英文这套是 eSpeak NG 编译成 WebAssembly 的版本，1.3 MB 左右，能在浏览器里跑。中文要先分词，再把拼音转成带声调的 IPA；日语要一整套形态分析器加词典——这两样目前都没有能塞进浏览器的现成包。

硬做一个半残的版本，结果就是把中文念得稀烂，所以干脆不列这些声音。页面底部那个 Mac 应用的中文 TTS 是认真做的。

生成的音频能商用吗？

可以。Kokoro v1.0 用 Apache-2.0 许可证发布，允许商业使用，许可证全文随页面打包在 LICENSE-model.txt。你贴进去的文字还是你自己的——它本来就没到过我们这儿。

这些声音是合成的，不是某个具体配音演员的克隆，所以不存在还要另外去谈肖像 / 声音授权的问题。

为什么要下载 310 MB？

因为模型跑在你的机器上而不是服务器上，权重总得先到你机器上一次。WebGPU 用 fp32 那份（310 MB），CPU 模式用 4 bit 量化的那份（291 MB）。两份都会被浏览器缓存，所以第二次打开约 1.4 秒就能用，断网也行。

每试一个新声音再加 0.5 MB——那是每个声音各自的 256 维风格向量。

和 ElevenLabs、ttsmaker 比怎么样？

它们在自己的服务器上跑大得多的模型，效果最好的时候确实比 Kokoro 好听，尤其是情绪和长段落的节奏。代价是你的文字要放到它们机器上，要注册，还有每月字数。

Kokoro 是 8,200 万参数，小到能塞进一个浏览器标签页。它的声音干净平稳，但不算有表情。这里换来的是一次性 310 MB 下载，换掉每月额度。

名字念错了，能改吗？

按它实际怎么读来拼。英文名「Siobhan」照写会念错，写成「Shivawn」就对了。想让缩写一个字母一个字母念也是同理：写「S Q L」而不是「SQL」。

标点也在真的干活：逗号、破折号是短停顿，句号更长，段落之间空一行停得最久。

为什么只给 WAV，不给 MP3？

模型输出的就是 24 kHz 音频，WAV 就是它原样、没有二次编码，一分钟约 2.8 MB。要在浏览器里编 MP3，得带上一个 JavaScript 编码器：许可证是 copyleft 的，体积还要占掉这一页字节预算的三分之一左右；而浏览器自带的编码器（WebCodecs）只吐裸 AAC 帧，没有容器可以装。

所以这里只给 WAV；要 MP3 或者带章节的 M4B，用那个 Mac 应用导出。