Kokoro-82M：把旁白逐段生成24kHz WAV

给视频补一段旁白、为交互原型生成几句提示，未必需要庞大的语音模型。Kokoro-82M 是82M参数的开放权重文字转语音模型，使用预设voice把文字变成音频。它比较适合从短段落开始检查发音和节奏；不能因为名字里有声音配置，就理解为上传一条录音即可克隆任何人的声音。

官方模型卡与推理库给出一条完整路径：创建KPipeline，选择lang_code与voice，输入文字，逐段拿到对应文字、音素和音频，再以24000Hz保存WAV。示例使用美式英语代码a和af_heart声音，输出按序号命名，便于逐段听取与替换。

它的分段接口对旁白制作很实用。可以按画面切换把解说稿分成几段，固定声音与速度，生成多个WAV；发现一处术语发音不对时，只改对应段落，再进剪辑软件调整停顿。这是未运行的编辑应用示例。官方高级用法通过 split_pattern=r'\n+' 按换行分段；先在稿子里把镜头之间的分界写成换行，就能让文本与生成片段更容易对应。程序返回的音素提供发音排查入口，但不等于可直接上屏的逐字字幕时间轴。

选声音时先匹配语言。官方用a、b区分美式与英式英语，中文为z，日语为j；中文与日语还需要相应misaki前端依赖。以中文预设 zf_xiaobei 为例，声音表对应 lang_code='z'，并要求 misaki[zh]；这与示例的 a 加 af_heart 是不同配置。不能只把中文文字塞给英语voice，就推定混读会正确。也不能把其他封装服务提供的声音名照搬到官方库，应该查当前VOICES清单与对应配置。

对中文创作者，声音表中的限制比总语言数量更有参考价值。作者提醒非英语支持可能因为发音前端或训练量不足而偏薄；普通话预设声音的训练量较少，表内整体评级也低于主推英语声音。评级是作者对训练数据质量和数量的估计，不是本文评测，但足以提醒你先用专有名词、多音字和连续数字做验收，避免只听一句问候就决定整套中文课程。

段落长度也有取舍。官方声音说明指出，太短的语句可能表现弱，过长又可能赶读；通常建议从约100至200 tokens的范围试起，长段可拆分或调速度。这些token不是中文字数的直接换算。旁白若包含很多一两字按钮提示，和几百字连续讲解，应分别测试，不宜套用同一条“模型很快”的结论。

部署需要准备Python库、权重、语音前端及必要的espeak-ng；第一次运行还涉及下载。模型小不代表任何设备都即时完成，也不意味着所有语言拥有同样质量。作者提供Apple Silicon与Windows相关说明，实际安装仍应按平台核对依赖。

权重采用Apache2.0，库也有对应许可，但另加voice包、前端与第三方部署仍需检查各自条款。入口以模型作者的HuggingFace与GitHub为准；模型许可与第三方托管API的收费、账号条件分别判断。

如果目标是轻量、本地、预设声音的段落旁白，Kokoro值得做一轮代表性样句测试。中文或特定声音表现不合要求时，应据实际试听选择模型，而不是只按参数小或语言多来决定。

资料：模型卡、完整推理用法、语言与声音限制。