Kokoro 82M
PulseAugur coverage of Kokoro 82M — every cluster mentioning Kokoro 82M across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
基于浏览器的恐怖应用Localghost使用本地LLM创作个性化鬼故事
Localghost是一款新颖的恐怖故事应用程序,完全在浏览器中运行,旨在创作个性化的鬼故事。用户可以选择惊吓程度,提供个人照片和关于他们环境的笔记,该应用程序使用本地的、开源的语言模型来生成独特的叙事。然后,故事会伴随合成音效朗读出来,高潮部分会呈现用户自己照片的去饱和、故障版本。
-
开源 AI 模型在 TTS 和图像任务上落后于商业产品 · 追踪 4 个来源
一项开源计划正在追踪各种 AI 模型的性能,特别是在文本转语音和图像编辑/生成方面。在文本转语音方面,Kokoro 82M v1.0 模型被认为是最好的可下载开源选项,但它与 ElevenLabs 的 Eleven v4 Turbo 仍有显著差距。在图像编辑方面,FLUX 3 Image 是顶级的开源竞争者,比 OpenAI 的 GPT Image 2.5 Sunburst 落后 77 ELO 分;而在图像生成方面,FLUX 3 Im…
-
AWS 通过 Kokoro TTS 流式传输实现低延迟 AI 语音代理
AWS 推出了一种通过在生成句子时流式传输语音合成来减少 AI 语音代理延迟的方法,而不是等待整个响应。该技术利用托管在 Amazon SageMaker AI 上的 Kokoro-82M 文本转语音模型,该模型足够小,可以在单个 GPU 实例上高效运行。该解决方案涉及在 SageMaker 实时端点上部署自定义容器,并实现用于生成和音频播放的双向流。
-
AWS SageMaker AI 端点获得改进的自动扩展编排和优化
AWS 发布了管理 Amazon SageMaker AI 端点自动扩展的新方法。一种方法解决了更新已注册自动扩展的端点时出现的问题,使用 AWS CDK 自定义资源在更新期间编排扩展目标的注销和重新注册。另一种方法侧重于通过用实例并发限制和扩展时间的测量值替换猜测来优化文本到语音 (TTS) 模型的自动扩展,并从这些指标中得出最佳扩展参数。
-
EcoHash 集成 Whisper、Llama 和 Kokoro 以实现经济高效的语音代理
EcoHash 发布了一项新集成,允许用户使用与 OpenAI 兼容的 API 构建语音代理。该系统结合了语音转文本(使用 Whisper Large v3 Turbo)、语言模型(如 Llama 3.1 8B-Instruct)进行处理,以及文本转语音(使用 Kokoro 82M)。该集成旨在通过使用单一 API 密钥和提供商来简化所有三个阶段的流程,每分钟生成的语音成本约为 0.006 美元。此外,还有一个单独的指南详细介绍了如何…
-
开源 Kokoro 82M TTS 模型落后于 ElevenLabs 的 Eleven v4 Turbo
开源文本转语音模型 Kokoro 82M v1.0 已与商业产品进行评估,显示其为最佳可下载的开源选项。尽管 Kokoro 82M v1.0 表现出色,但在盲人偏好测试中,其 ELO 分数比 ElevenLabs 的 Eleven v4 Turbo 落后 263-267 分。这些发现凸显了在文本转语音领域,开源能力与领先的专有模型之间持续存在的差距。
-
无服务器TTS系统通过计费感知推理调优降低成本
研究人员开发了一种新颖的、计费感知的神经文本到语音(TTS)服务系统,该系统针对无服务器CPU架构进行了优化。该系统通过关注CPU秒和GB秒而非传统的吞吐量或延迟指标,解决了实例计费平台上的空闲推理状态的成本问题。关键创新包括请求大小的并发推理以管理CPU争用,以及在空闲期间释放推理状态的可回收实例生命周期。该系统展示了显著的成本降低,与PyTorch默认设置相比,每音频小时的成本降低了4.1倍,并大大减少了空闲计费内存。
-
开源 Kokoro 82M TTS 模型盲测落后 ElevenLabs 的 Eleven v4 高达 257 ELO 分
开源文本转语音模型 Kokoro 82M v1.0 经过评估,发现其性能略逊于 ElevenLabs 的 Eleven v4。在多项盲人偏好测试中,Kokoro 82M v1.0 的得分比 Eleven v4 低 250 至 257 ELO 分。此次评估突显了当前开源 TTS 模型相对于商业产品的地位。
-
开源 Kokoro 82M TTS 模型排名接近 Sonic 3.6
Kokoro 82M v1.0 模型是一个值得关注的开源文本转语音系统,其排名紧随 Sonic 3.6 的性能之后。根据盲测人类偏好评估,Kokoro 82M v1.0 可供下载,但其性能比 Sonic 3.6 低 216 ELO 分。
-
Kokoro 82M v1.0 发布,成为顶级可下载文本转语音模型
Kokoro 82M v1.0 已发布,成为一款可下载的文本转语音模型。在人类偏好测试中,其排名紧随 Sonic 3.6 之后,差距为 222 ELO 分。
-
Kokoro 82M 领跑开源 TTS,但落后于 Qwen-Audio-3.0-TTS-Plus
Kokoro 82M v1.0 已成为领先的开源文本到语音模型。然而,在盲人偏好测试中,它比 Qwen-Audio-3.0-TTS-Plus 低 173 ELO 分。这一性能差距凸显了当前可下载的开源模型与 TTS 领域领先的商业产品之间的差距。
-
Kokoro 82M v1.0 领跑开源 TTS,接近商业级质量
Kokoro 82M v1.0 已被公认为领先的开源文本转语音模型。在盲人偏好测试中,它仅以微弱劣势落后于商业模型,比 SpeechifyAI 的 Simba 3.2 低 174 ELO,比 Qwen-Audio-3.0-TTS-Plus 低 173 ELO。这一表现表明,可下载模型正在迅速接近商业产品的质量。
-
Kokoro 82M TTS 模型比 SpeechifyAI 的 Simba 3.2 落后 174 ELO 分
开源文本转语音模型 Kokoro 82M v1.0 经过评估,发现其性能比 SpeechifyAI 开发的 Simba 3.2 模型落后 174 ELO 分。此评估基于盲测人类偏好,区别于营销宣传。该结果是追踪开源 AI 模型更广泛排行榜的一部分。
-
本地AI电话代理'Eva'使用Gemma 4进行上下文通话
一个项目开发了一个名为Eva的本地控制对话电话线原型,旨在从呼叫者那里收集结构化信息。与基于云的代理不同,Eva完全在本地硬件上运行,使用Gemma 4模型进行对话,本地语音识别,以及Kokoro 82M进行文本到语音转换。一个自定义的Python应用程序协调这些组件,维护对话历史以确保上下文连续性并实现自然的后续提问,从而创造更连贯的用户体验。
-
本地 AI 文本转语音应用在 Jetson 上利用 Durable Streams
作者详细介绍了一个项目,该项目旨在使用 NVIDIA Jetson Orin Nano Super 套件创建自托管的本地 AI 文本转语音应用程序。此设置旨在为用户提供一种可靠的方式,将文本转换为语音,而无需依赖第三方提供商。该系统利用 Kokoro-82M 模型,并采用持久流(durable streams)架构设计,以处理 TTS 生成的增量性质,支持实时流式传输、共享以及应对网络中断的弹性。
-
新的开源应用程序 Off Grid AI Desktop 提供本地 LLM 聊天及更多功能
Off Grid AI Desktop 是一款新的开源应用程序,旨在让用户在自己的 Mac 或 PC 上本地运行大型语言模型。它提供了与 LM Studio 类似的下载和聊天体验,但扩展了功能,包括设备上的图像生成、语音处理以及用于与文档聊天的检索增强生成 (RAG)。一个独特的功能是其“感知捕获”能力,它可以从屏幕内容中提炼信息,用于私密的、设备上的记忆回忆。
-
Off Grid AI Desktop 为本地LLM使用提供图形用户界面,可与Ollama媲美
一款名为Off Grid AI Desktop的新开源应用程序旨在为在个人电脑上本地运行大型语言模型提供更用户友好的界面。与需要命令行交互和API的Ollama不同,Off Grid AI Desktop提供了用于模型选择、聊天、图像生成和语音输入/输出的图形界面。该应用程序支持各种模型,并利用Mac和PC上的硬件加速,通过量化技术使更大的模型能够在消费级硬件上运行。
-
纯CPU TTS基准测试:Kokoro 82M在质量上领先,Inflect-Nano-v1在速度上领先
一项在CPU上对三种开源文本转语音(TTS)模型——Kokoro 82M、Supertonic 3和Inflect-Nano-v1——进行的基准测试,揭示了显著的性能和质量差异。Inflect-Nano-v1尽管参数量小且实时因子(RTF)最快达到0.1376,但UTMOS评分发现其被高估,并且存在硬性输出长度限制。Supertonic 3提供了折衷方案,在5步配置下,以0.3164的RTF实现了4.37的MOS评分,而Kokoro …