Kokoro TTS: شغّلنا نموذج الصوت مفتوح المصدر بحجم 82M على معالج لابتوب

يواصل Kokoro الظهور في كل مكان — تصدّر Hacker News، ويتصدّر قوائم أفضل نماذج تحويل النص إلى كلام المفتوحة، وما زال المبدعون يسألون: هل يمكن لنموذج بـ 82 مليون معلمة يعمل على CPU عادي أن يستبدل فعلاً واجهة API مدفوعة للصوت؟ لذلك قمنا بتثبيته وتشغيله على لابتوب، وأنشأنا العينات التي يمكنك تشغيلها أدناه. هذا تفكيك عملي: ما هو Kokoro، ومدى جودة صوته فعليًا، وفخّان في الإعداد أضاعا علينا وقتًا، ومتى تكون الأداة المستضافة هي الخيار الأفضل. المصدر: github.com/hexgrad/kokoro (Apache-2.0).

ما هو Kokoro، ومن الذي صنعه؟

Kokoro هو نموذج مفتوح الأوزان لتحويل النص إلى كلام نشره hexgrad باسم Kokoro-82M. العنوان موجود في الاسم نفسه: 82 مليون معلمة — صغير وفق معايير 2026، وصغير بما يكفي ليعمل على هاتف — ومع ذلك ينتج سردًا طبيعيًا ومعبرًا. وهو مبني على سلالة StyleTTS 2 وصادر تحت رخصة Apache-2.0 المتساهلة، لذا فهو مجاني حقًا للاستخدام التجاري.

اعتبارًا من 2026-07-11، يحتوي المستودع الرئيسي hexgrad/kokoro على نحو 7,900 نجمة على GitHub. وقد شغّلناه عبر بيئة تشغيل ONNX المجتمعية thewh1teagle/kokoro-onnx (حوالي 2,600 نجمة، MIT)، وهي أسهل طريقة لتشغيله على CPU بدون تثبيت PyTorch.

عند تفحّص ملف الأوزان الفعلي، أحصينا 54 صوتًا مدمجًا تغطي 9 مجموعات لغات ولهجات — الإنجليزية الأمريكية والبريطانية، والإسبانية، والفرنسية، والهندية، والإيطالية، واليابانية، والبرتغالية البرازيلية، والصينية المندرينية. وتبدو أصوات الإنجليزية الأمريكية الأكثر صقلًا بوضوح.

لقد شغّلناه فعليًا (Apple M3 Pro، CPU فقط)

لا GPU ولا سحابة — فقط MacBook Pro بمعالج M3 Pro وذاكرة RAM بحجم 18 GB. إليك سردًا صريحًا خطوة بخطوة.

التثبيت والأوزان

تُثبَّت حزمة Python خلال ثوانٍ: pip install kokoro-onnx soundfile. لكن إليك الفخ الأول — حزمة pip تأتي بالكود وليس النموذج. عليك تنزيل ملفين يدويًا من صفحة إصدارات kokoro-onnx على GitHub: kokoro-v1.0.onnx (310 MB) وvoices-v1.0.bin (27 MB). يتجاوز دليل البدء السريع هذه النقطة، لذا تفشل أول تجربة تشغيل بخطأ نقص ملفات إلى أن تقوم بجلب الأوزان.

خطأ مسار espeak-ng (الذي أضاع منا وقتًا حقيقيًا)

يحوّل Kokoro النص إلى فونيمات باستخدام espeak-ng. وفي أول عملية توليد واجهنا هذا:

Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directory

مسار /Users/runner/work/ علامة واضحة: حزمة wheel الخاصة بـ pip لِـ espeakng-loader تتضمن libespeak-ng تم تجميعه في CI مع مسار بيانات مُشفّر (hard-coded) غير موجود على جهازك. والجزء المحبط: ضبط متغير البيئة ESPEAK_DATA_PATH لا يغيّر شيئًا، لأن kokoro-onnx لا يقرأه أصلًا — بل يأخذ مسار البيانات مباشرة من الـ loader المضمّن.

الإصلاح الذي نجح معنا: ثبّت espeak-ng على مستوى النظام ووجّه Kokoro إليه صراحة عبر EspeakConfig:

brew install espeak-ng   # macOS; apt install espeak-ng on Linux

from kokoro_onnx import Kokoro, EspeakConfig
cfg = EspeakConfig(
    lib_path="/opt/homebrew/lib/libespeak-ng.dylib",
    data_path="/opt/homebrew/share/espeak-ng-data",
)
k = Kokoro("kokoro-v1.0.onnx", "voices-v1.0.bin", espeak_config=cfg)

بعد ذلك، يعمل التوليد مباشرة. إذا سبق أن عانيت من خطأ phontab: No such file تحديدًا، فهذا هو الحل.

السرعة (مقاسة، بعد الإحماء)

على CPU فقط، يتم تحميل النموذج في حوالي 1.7 ثانية، ويكون التوليد أسرع بشكل مريح من الزمن الحقيقي. فقرة سرد مدتها 22 ثانية تم إخراجها خلال 3.5 ثوانٍ — أي عامل زمن حقيقي يقارب 0.16×، أي أسرع بنحو ست مرات من التشغيل. الجمل القصيرة المنفردة تعود خلال ثانية إلى ثانيتين. وبالنسبة لنموذج بهذا الحجم على لابتوب، فهذا معدل إنتاج قابل للاستخدام فعليًا في الإنتاج. إليك شكل الموجة الفعلي لذلك المقطع:

عينات أنشأناها (بدون تحرير)

كل المقاطع أدناه أنشأناها نحن باستخدام Kokoro على CPU من نوع M3 Pro كما وصفنا أعلاه — مخرجات خام من النموذج، بدون تنظيف وبدون أي معالجة لاحقة. شغّلها واحكم على الجودة بنفسك.

تم إنشاؤه بواسطة VisionStory باستخدام Kokoro-82M عبر kokoro-onnx، 2026-07-11. لاحظ الدليل الواضح: هذا مسار صوتي نظيف — لكنه صوت فقط. لا يوجد وجه، ولا حركة شفاه، ولا مقدّم على الشاشة. هذه الفجوة هي جوهر القسم التالي بالكامل.

الحكم بصراحة: نقاط القوة والحدود الحقيقية

ما أدهشنا حقًا:

• الجودة مقابل الحجم مذهلة. بالنسبة إلى 82 مليون معلمة، أصوات الإنجليزية الأمريكية طبيعية ومعبرة — وقريبة بما يكفي من خدمات تحويل النص إلى كلام المدفوعة لدرجة أن معظم المستمعين لن يلاحظوا ذلك في مقطع قصير.
• يعمل فعلًا على CPU وبسرعة. سرعة تعادل 6 أضعاف الزمن الحقيقي على لابتوب بدون GPU هي الميزة الأبرز، وهي تصمد فعلاً.
• مجاني فعلًا وملائم تجاريًا. Apache-2.0 بدون فواتير حسب عدد الأحرف. لتعليقات صوتية بحجم كبير، يصعب التغلب على هذه المعادلة الاقتصادية.

أين يتعثر — وهذه مشاكل حقيقية:

• لا يوجد نسخ صوت. تحصل على 54 صوتًا ثابتًا مُسبق الإعداد. لا يمكنك استنساخ صوتك أو صوت عميل — إذا كان هذا ما تحتاجه، فـ Kokoro طريق مسدود.
• جودة الإنجليزية تعتمد على espeak-ng، ما يعني خطأ التغليف أعلاه، بالإضافة إلى نطق خاطئ أحيانًا لاسم أو علامة تجارية أو اختصار.
• النص الطويل يحتاج إلى تقسيم يدوي. هناك حد لطول الفونيمات في كل استدعاء، لذا عليك تقسيم النصوص الطويلة بنفسك ثم دمج الصوت.
• الأصوات غير الإنجليزية متفاوتة — بتباين ملحوظ أكثر من مجموعة الإنجليزية الأمريكية الأساسية.
• المخرجات ملف WAV خام. لا طوابع زمنية للكلمات ولا visemes — لا شيء لتشغيل مزامنة الشفاه مباشرة.
• إنه صوت فقط. لا وجه ولا فيديو. للحصول على مقدّم يتحدث، يجب أن تزاوج Kokoro مع نظام مزامنة شفاه أو أفاتار منفصل وأن تدير التوقيت بنفسك.

استضافة Kokoro ذاتيًا مقابل أداة مستضافة: أيهما تختار؟

Kokoro وأداة أفاتار مستضافة يحلان نصفين مختلفين من المشكلة. Kokoro يمنحك صوتًا؛ وأداة مثل VisionStory تمنحك مقدّمًا يتحدث — صوتًا ووجهًا ومزامنة شفاه في مخرج واحد. إليك المقارنة بصراحة.

اختر Kokoro إذا كنت تحتاج تعليقًا صوتيًا مجانيًا فقط، ومرتاحًا مع Python، وستتعامل مع الوجه ومزامنة الشفاه بشكل منفصل (أو لا تحتاج وجهًا أصلًا). واختر أداة مستضافة إذا كنت تحتاج الصوت مرتبطًا بمقدّم يزامن الشفاه، أو تحتاج إلى نسخ صوت شخص محدد — Kokoro لا يستطيع فعل أي منهما.

ما الذي علّمنا إياه Kokoro

الدرس الحقيقي من تشغيل Kokoro هو أن الصوت يصبح سلعة. نموذج بحجم 82 MB على لابتوب بات ينتج تعليقات صوتية جيدة بما يكفي لعمل حقيقي، مجانًا. إذا كان ادعاء منتجك الوحيد هو "نقوم بتحويل النص إلى كلام"، فقد اختفى ذلك الحاجز.

الجزء الصعب الذي لا يزال غير محلول هو كل ما يأتي بعد الصوت: تحويل مسار صوتي إلى وجه متحدث مقنع — مزامنة شفاه دقيقة، وتعابير، وحركة رأس، وتوقيت متماسك. هذه بالضبط الطبقة التي نعمل عليها. لذلك خلاصة ما توصلنا إليه ليست "لا تستخدم Kokoro" — إنه بالفعل محرك صوت ممتاز. الخلاصة هي أن الصوت وحده نصف فيديو. إذا كنت تريد النصف الآخر، فـ VisionStory يحوّل صورة ونصًا إلى مقدّم متحدث مع مزامنة شفاه في خطوة واحدة، وإذا كان لديك صوت محدد تريد مطابقته، فيمكنه أيضًا نسخه.