原贴链接

（帖子仅提供了一个Kokoro - 82M的HuggingFace链接，无实质内容可翻译）

讨论总结

该讨论围绕Kokoro - 82M这个适用于边缘人工智能的文本转语音模型展开。参与者认可其在文本转语音方面的表现，对其性能、与其他模型对比等方面进行讨论，同时也涉及到Kokoro相关的协议、成本、技术应用和使用过程中遇到的问题，还表达了对该模型进一步探索、整合等的期待，整体氛围较为积极。

主要观点

  1. 👍 Kokoro - 82M在边缘人工智能方面表现良好
    • 支持理由：其8200万参数下文本转语音效果好且体积小。
    • 反对声音：无。
  2. 🔥 在LLMs上构建TTS可能是错误方向
    • 正方观点：Kokoro - 82M优于较新模型，该模型对其规模来说性能很好，而基于LLMs构建的TTS存在内存占用问题。
    • 反方观点：有部分人对此观点表示疑惑并追问解释。
  3. 💡 Kokoro的apache协议是重要的点
    • 解释：与很多TTS采用的CC by NC协议形成对比，原因与训练音频限制等有关。
  4. 💡 Kokoro成本相比其他公司的TTS低很多
    • 解释：在Replicate上每小时音频成本约0.02美元，远低于谷歌、微软等的1 - 1.5美元/小时。
  5. 💡 希望有人托管Kokoro的API
    • 解释：因为其在网页和移动端优化边缘支持不足，且使用人数少存在冷启动问题。

金句与有趣评论

  1. “😂 Unbelievably impressive. So small and so good.”
    • 亮点：简洁地表达出对Kokoro - 82M模型效果的惊叹。
  2. “🤔 This model is a modification of StyleTTS2, which is a model from about 2 years ago.”
    • 亮点：揭示了Kokoro - 82M模型的来源。
  3. “👀 most important is that it is apache. IDK why but so so many TTS out there have a CC by NC license and IDK why.”
    • 亮点：提出Kokoro协议与其他TTS协议的不同并对现象表示疑惑。
  4. “😎 It（Kokoro）in Replicate costs about $0.02 per hour of audio, much lower than Google, Microsoft, etc.’s $1 - 1.5 per hour.”
    • 亮点：直观对比出Kokoro成本优势。
  5. “🤓 I’ve just made a workflow to generate illustrated audiobook and directly upload it to youtube. (it takes like 15min after you validate the prompt)”
    • 亮点：分享了一个与有声读物制作和上传相关的工作流程成果。

情感分析

总体情感倾向是积极的。主要分歧点在于在LLMs上构建TTS是否是错误方向，可能的原因是不同用户对不同构建方式下的模型性能、内存占用等方面有不同的考量。

趋势与预测

  • 新兴话题：Kokoro与OpenAI API图像的构建整合、在开发环境中的使用指南等可能会引发后续讨论。
  • 潜在影响：如果Kokoro在相关技术问题（如API托管、CUDA运行等）上得到解决，可能会对语音合成领域的边缘人工智能应用产生积极影响，例如降低成本、提高效率等。

详细内容：

标题：82m 参数的文本转语音在边缘 AI 中的完美表现引发热议

在 Reddit 上，一则关于“Text to speech in 82m params is perfect for edge AI. Who’s building an audio assistant with Kokoro?”的帖子引起了广泛关注。该帖子提供了相关的链接 https://huggingface.co/hexgrad/Kokoro-82M ，引发了众多用户的热烈讨论。截至目前，帖子获得了大量的点赞和评论。

讨论的焦点主要集中在该模型的性能、应用场景、开源许可以及在不同环境中的使用等方面。有人称赞其令人难以置信的出色表现，认为其体积小但效果好，希望能有像 faster-whisper 那样简单易用的执行程序。有用户分享了自己的个人经历和案例，如修改 stream_tts_playback.py 并将其移动到特定位置以便从 bash 调用。还有用户指出该模型是 StyleTTS2 的改进版，在某些方面超越了新模型，且对于内存要求相对较低。

有人提到该模型因其音频训练数据的来源而具有特定的开源许可。还有用户表示希望有好心人能提供 API 支持，也有人成功制作了工作流程并上传到了 YouTube。但也有用户在使用过程中遇到了诸如无法在 CUDA 上运行、容器不健康等问题。

在观点方面，有人认为对这类模型的评估可以完全基于主观的人类感知，且仍然完全有效。也有人对模型如何在没有确定答案的情况下进行基准测试提出了疑问。

总体而言，这个关于 82m 参数文本转语音模型的讨论展现了其在技术领域的重要性和复杂性，也反映了用户们对于新技术的热情探索和思考。