我能在本地執行 Kokoro-82M 嗎？

hexgrad | 語音模型 | Apache-2.0 授權 | 346 MB 以種子檔形式提供。輕量高品質 TTS（82M 參數）。完整鏡像包含 hexgrad/Kokoro-82M HF 倉庫及所有語音包。**Kokoro** 是一款擁有 8200 萬參數的開放權重 TTS 模型。儘管架構輕巧，仍能提供媲美大型模型的品質，且速度更快、成本更低。採用 Apache 授權權重，可部署於生產環境或個人專案。

本模型的指南

2026年10月最佳本地大型語言模型（LLM）按使用情境分類：每個工作都適合的開放模型

什麼是 The Hugging Bay？一個開放模型的鏡像索引，以及如何用其雜湊值驗證下載

開放權重、開源與僅API：你到底能做什麼

如何安裝 Ollama 並在本地運行 AI（Windows、Mac、Linux）

什麼是 GGUF 檔案？量化模型解說（Q4、Q8、fp8、NF4）

全部指南

船長筆記

由 Captain 撰寫，內部編輯

2026-10-13 的筆記

Kokoro-82M 是 hexgrad 推出的文字轉語音模型，僅有 8200 萬參數，對於其音質而言異常小巧。它附帶多個聲音包，採用 Apache 2.0 授權，允許本地執行、產品嵌入或修改，無需額外許可。如果你需要快速、可部署且無雲端費用的 TTS，值得一試。

以...聞名

8200 萬參數：在此品質水準中是極小的 TTS 模型之一
Apache 2.0 授權：允許商業使用、修改與再分發
隨權重下載附帶多個聲音包
346 MB 總體積，可在中等硬體上運行
設計上推理速度比大型 TTS 模型更快

注意

這是語音合成模型，只產生音訊，不生成文字回應。
無公開模型卡；製作者未記錄聲音品質細節與語言支援。
公開權重可透過種子鏡像取得，使用前請核對雜湊值。

最適合

可嘗試的提示詞

朗讀短文段

請用平靜、中性語調將以下段落轉成語音：「潮水緩緩湧入，覆蓋了灰色平坦的沙灘，直到只剩下沙丘。頭頂上一隻海鷗盤旋，對寒冷毫不在意。傍晚時分，海灘已消失無蹤。」

測試不同聲音包

請用每個可用的聲音包合成這句話的音訊，並保存輸出以便比較：「人工智慧正在改變我們與電腦互動的方式，一次一個小模型。」

批次轉換腳本

我有一段兩個角色的十行對話腳本。請交替使用兩種不同聲音處理每行，並輸出一個合併的音訊檔。腳本如下：角色 A：早安。角色 B：是嗎？角色 A：咖啡好了。角色 B：那真有幫助。角色 A：勉強。角色 B：同意。

比較

Gemini 2.5 Flash Lite
僅限 API 模型
1,048,576 代幣上下文 · $0.10/M 輸入，$0.40/M 輸出
Gemini 3.1 Flash Lite
僅限 API 模型
1,048,576 代幣上下文 · $0.25/M 輸入，$1.50/M 輸出
Gemini 3.5 Flash Lite
僅限 API 模型
1,048,576 代幣上下文 · $0.30/M 輸入，$2.50/M 輸出
GPT Audio Mini
僅限 API 模型
128,000 代幣上下文 · $0.60/M 輸入，$2.40/M 輸出

更多來自 hexgrad 的文字模型

常見問題

我能在本地執行 Kokoro-82M 嗎？: 可以。權重以 346 MB 種子檔形式提供，採 Apache 2.0 授權，無需 API，可在本地硬體運行。
使用 Kokoro-82M 需要多少費用？: 權重免費下載與使用。唯一成本是運行所需的計算資源，因為模型參數只有 8200 萬，需求相對較低。
Kokoro-82M 與較大型 TTS 模型相比如何？: Hexgrad 表示其品質可與大型模型媲美且速度更快；但尚無獨立基準測試，建議依目標聲音與使用場景自行測試。

船長評語
一款真正小巧且授權寬鬆的 TTS 模型——如果你需要無負擔的本地語音合成，從這裡開始。

船長根據模型自身描述與模型卡撰寫這些筆記。價格與上下文大小為撰寫時提供者資料，可能會變動。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #74 Hottest Text / LLM text model

Not this creator?

Get your own badge

Kokoro 82M 熱度趨勢

熱度分數，過去 12 個月

熱度分數

7,990°

本週

▲

0.5%

7,989° 當時，7,990° 現在

本月

▲

2.1%

7,984° 當時，7,990° 現在

過去一年

n/a

尚未發布/追蹤

7,000°

基準值

分數範圍是從 0° 到 9,999°。低於 7,000° 的部分是留給還沒被任何來源報告的模型，它們會有一個替代數字，讓列表保持完整。7,000° 是有測量數據開始的地方：有真實數據但幾乎沒下載的模型會在基準值，之後的度數才是測量結果。基準值本身不代表模型好壞，只有基準值以上的度數才會區分模型。

+990°

種子用戶數

有 2 人透過種子或鏡像持續分享權重檔案。分享檔案需要實際頻寬，代表權重仍有人需求，所以每個種子用戶相當於下載量中的 1,000 次。

顯示詳細分析

這個網站上的每個數字都可以查證。這個模型的熱度分數是 7,990°，這裡會一步步拆解它的組成，每加一項就會顯示目前的總分：基準值、每個來源增加的度數、模型類型的加分，以及權重年齡帶來的扣分。顏色對應上方圖表的區間。最後的詞彙表會解釋每個術語。

1
從基準值開始。
為什麼是 7,000° 而不是零：分數範圍是 0° 到 9,999°，低於 7,000° 的部分是留給還沒被任何來源報告的模型，它們有替代數字，讓列表完整且不會超過有數據的模型。7,000° 是有測量數據開始的地方。有真實數據但幾乎沒下載的模型會在這裡；之後的度數是測量結果，基準值以上有十個十倍下載的階段，每階段增加 300°。基準值對所有模型都一樣，不會決定排名；真正區分模型的是基準值以上的度數。
7,000°
累計總和
2
加入下載量。
總共 2,000 個下載等值，來自種子用戶數。下載量增加十倍會增加相同的 300°，所以大小很重要，但不會主導分數。
+990°
7,990°
累計總和
=
熱度分數。
這個模型在本網站所有排行榜上的位置。沒有其他因素會調整它。
7,990°

詞彙表：這裡使用的術語

熱度分數: 一個數字，表示模型目前的使用和需求程度，範圍從 0° 到 9,999°。本網站所有標示「最熱門」的排行榜都是依此排序，沒有其他排序依據。
底線: 每個有實際數據的模型起始於 7,000°。分數範圍是 0° 到 9,999°；底線以下保留給沒有數據的模型，確保有數據的模型總是排名較前。底線對所有人相同，不影響排名；超過底線的度數才是評分依據。
下載等值: 分數中視為下載的所有項目加總：下載本身、每個種子節點算 1,000、每張 AI Horde 圖像和每次生成網站的執行算一。
對數刻度: 以十為單位計數，不是以一為單位：從 1,000 到 10,000 下載增加的度數，和從 10,000 到 100,000 增加的度數相同。這樣能防止巨頭壓過其他模型。
喜歡數: 來自各來源的讚和喜歡，每個在對數刻度上算半個下載量。
採用率: 模型目前每天的下載次數，根據兩次來源讀取的差異計算。權重是下載量的四分之一。
實測與估算: 實測表示有兩個來源的讀數，且差異是真實的。估算表示只知道今天的總數，過去的數據則分散在模型的整個生命週期；網站會說明顯示的是哪一種。
種子節點: 指在線上保留權重檔案供他人透過種子下載的人，或是提供相同服務的鏡像站。每一個種子節點算作1,000次下載。
AI Horde: 一個志願者網絡，利用捐贈的電腦免費生成圖片。它用某模型生成的圖片數量是公開的，每張圖片算作一次下載。
生成網站: 自己托管模型並讓人使用它生成圖片的網站，例如PixAI、SeaArt和Yodayo。它們的下載量和Civitai一樣，每次生成算一次下載。
OpenRouter 代幣: 透過 API 提供的文字模型，如 Claude 或 GPT，沒有權重可下載，因此使用量以代幣計算：過去30天內透過 OpenRouter（許多應用使用的閘道）讀取和生成的文字片段。每 10,000,000 代幣算作一次下載。來源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（檢查點）: 權重本身，是能獨立生成的檔案。它會有額外加分，因為其他附加檔案都依賴它。
LoRA和嵌入: 小型附加檔案，用來引導別人的權重走向某種風格、角色或概念。它們無法獨立運行。
家族與權重: 模型所建立的基礎，例如SD 1.5、SDXL、Flux或Wan。每個模型都繼承其家族權重的發布日期。
年齡: 根據家族權重發布時間距今多久，扣除的度數：每年150°，最多750°。它會保留那些有多年累積下載的舊模型，防止它們從排行榜頂端消失。
家族加成: 針對本站目前推廣的某個家族的LoRA給予的小幅度限制加成，會在分解中顯示。
替代分數: 給尚無來源報告的模型一個穩定的最低分，讓列表保持完整。它永遠不會高於有數據的模型。
全新！(寬限期): 不到 7 天的新模型會顯示「全新！」而非分數，且不列入排名。分數從第一天開始計算，但一天大的模型成長最快，若不等待，週榜首將永遠是昨天剛出的模型，而非持續一週的。
趨勢: 模型在某段時間內的成長與典型模型同期成長的比較。比典型快表示上升，比典型慢表示下降。
典型模型: 目錄中的中間值：一半模型在該期間成長較快，一半較慢。