Kokoro TTS online: मुफ़्त, और पूरी तरह आपके ब्राउज़र में

मॉडल आपके अपने कंप्यूटर पर चलता है, बाकी हिस्सा बनते-बनते पहला वाक्य सुना देता है, और डाउनलोड के लिए एक WAV देता है। जब आप शुरू करें दबाते हैं, तो आपका ब्राउज़र Kokoro-82M मॉडल एक बार डाउनलोड करके अपने कैश में रख लेता है। उसके बाद सब कुछ इसी टैब में होता है। आपका टेक्स्ट वाक्यों में बाँटा जाता है, हर वाक्य फ़ोनीम में बदला जाता है, और मॉडल उन फ़ोनीम को आपकी चुनी हुई आवाज़ में 24 kHz ऑडियो में बदल देता है। पहला वाक्य तैयार होते ही बजने लगता है, और अगले वाक्य उसके पीछे बनते रहते हैं।

अंग्रेज़ी टेक्स्ट Kokoro के अपने अंग्रेज़ी फ़ोनेमाइज़र से गुज़रता है, जो संख्याएँ, कीमतें और समय भी शब्दों में बोलता है। स्पेनिश, फ़्रेंच, इतालवी, पुर्तगाली और हिन्दी eSpeak NG से गुज़रती हैं, वही फ़ोनेमाइज़र जिसे Kokoro इन भाषाओं के लिए इस्तेमाल करता है, और यह तभी लोड होता है जब आप इनमें से कोई आवाज़ चुनते हैं। इन्फ़रेंस एक बैकग्राउंड वर्कर में चलता है, इसलिए पेज अटकता नहीं।

लिखने की जगह आप फ़ाइल इंपोर्ट भी कर सकते हैं: EPUB, PDF, Word (.docx), Markdown, HTML या सादा टेक्स्ट। फ़ाइल इसी ब्राउज़र टैब में खुलती और पढ़ी जाती है; कुछ भी अपलोड नहीं होता। वह फ़ुल-स्क्रीन रीडर में खुलती है, और EPUB के अध्याय “विषय-सूची” में आते हैं। किसी भी वाक्य पर टैप कीजिए और टूल वहीं से पढ़कर सुनाने लगता है; वह आपके सुने जा रहे हिस्से से बस एक-दो वाक्य आगे तक ही आवाज़ बनाता है, इसलिए पूरी किताब को कभी एक साथ तैयार नहीं करना पड़ता। जो वाक्य पढ़ा जा रहा है वह हाइलाइट रहता है, और आप किसी भी समय रोक सकते हैं या किसी दूसरे वाक्य पर टैप कर सकते हैं।

यही इंजन चार और पेजों पर एक-एक काम के लिए तैयार है: टेक्स्ट पढ़कर सुनाना, ऑनलाइन EPUB रीडर, PDF पढ़कर सुनाना और अपना निबंध पढ़वाकर सुनना।

अगर आप Hindi text to voice या Hindi text to speech टूल ढूँढ रहे हैं, तो यह वही है। 1,500 अक्षरों तक का टेक्स्ट लिखिए या पेस्ट कीजिए, 41 आवाज़ों में से एक चुनिए (हिन्दी की चार हैं: Alpha, Beta, Omega और Psi) और आवाज़ बनाएँ दबाइए: टेक्स्ट आपके ब्राउज़र में आवाज़ बन जाता है, और WAV डाउनलोड करें उसे 24 kHz मोनो फ़ाइल बनाकर सेव करता है, जिसे हर वीडियो या ऑडियो एडिटर खोल लेता है। सीधे शब्दों में यह मुफ़्त Hindi voice generator है: आवाज़ें AI की बनाई और सिंथेटिक हैं, न साइन-अप है, न क्रेडिट का मीटर, और Kokoro-82M का Apache-2.0 लाइसेंस व्यावसायिक इस्तेमाल की अनुमति देता है। यह न आवाज़ क्लोन करता है, न किसी व्यक्ति की नकल। एक बार से लंबी स्क्रिप्ट हिस्सों में बनाइए और फ़ाइलें अपने एडिटर में जोड़ लीजिए।

इंजन टूल आपके लिए खुद चुनता है। कोई क्वालिटी सेटिंग नहीं है जिसे गलत चुना जा सके, क्योंकि छोटे क्वांटाइज़्ड मॉडल WebGPU पर बिगड़ी हुई आवाज़ बनाते हैं।

• WebGPU (ग्राफ़िक्स कार्ड): पूरी प्रिसिज़न वाला मॉडल, एक बार का 326 MB डाउनलोड। किसी नए लैपटॉप पर 40 शब्दों का पैराग्राफ़ लगभग 3 सेकंड लेता है और पहला वाक्य लगभग 1 सेकंड बाद बजता है। कंप्यूटर पर नए Chrome, Edge और Safari में WebGPU है।
• CPU (WebAssembly): 8-बिट मॉडल, एक बार का 92 MB डाउनलोड, जो WebGPU उपलब्ध न होने पर इस्तेमाल होता है। यह रियल-टाइम से धीमा है: आपके प्रोसेसर के हिसाब से पहला वाक्य 10 से 15 सेकंड बाद, और उसी पैराग्राफ़ के लिए 20 से 40 सेकंड की उम्मीद कीजिए।
• फ़ोन: वही 92 MB वाला CPU मॉडल, एक हल्के सेटअप में जो ब्राउज़र से कम मेमोरी माँगता है और छोटे-छोटे टुकड़ों में बोलता है। यह नए फ़ोन पर चलता है और कंप्यूटर से धीमा है: आवाज़ जितनी तेज़ी से बजती है उससे धीमे बनती है, इसलिए वाक्यों के बीच ठहराव आते हैं। डाउनलोड बीच में रुक जाए, तो वह वहीं से आगे बढ़ता है जहाँ रुका था।

दोनों ही तरह, दूसरी बार डाउनलोड नहीं होता: मॉडल कुछ ही सेकंड में ब्राउज़र कैश से लोड हो जाता है। कंप्यूटर पर, चलते समय टैब में लगभग 1 GB मेमोरी मानकर चलिए।

आवाज़ ही भाषा तय करती है। टूल में वही 41 आवाज़ें हैं जो Sandbook ऐप में हैं, ऐप के नामों और विवरणों के साथ:

• अंग्रेज़ी: 28 आवाज़ें, 20 अमेरिकी और 8 ब्रिटिश, जिनमें Heart, Bella, Michael, Emma और George शामिल हैं।
• स्पेनिश: 3 आवाज़ें (Dora, Alex, Santa)।
• फ़्रेंच: 1 आवाज़ (Siwis)।
• इतालवी: 2 आवाज़ें (Sara, Nicola)।
• ब्राज़ीली पुर्तगाली: 3 आवाज़ें (Dora, Alex, Santa)।
• हिन्दी: 4 आवाज़ें (Alpha, Beta, Omega, Psi)।

कुछ भी लोड किए बिना कोई आवाज़ सुनने के लिए आवाज़ चुनने वाले बॉक्स के बगल का प्ले बटन दबाइए, या सभी Kokoro आवाज़ के नमूने सुनिए। गति 0.5× से 2.0× तक है और मॉडल के अंदर ही लागू होती है, इसलिए तेज़ आवाज़ भी किसी तेज़ बोलते इंसान जैसी ही लगती है।

डाउनलोड। टाइप किए गए टेक्स्ट से हर बार बना ऑडियो 24 kHz मोनो WAV फ़ाइल के रूप में सेव किया जा सकता है। MP3 और M4A एक्सपोर्ट अभी उपलब्ध नहीं है। इंपोर्ट किए गए दस्तावेज़ पेज में ही पढ़कर सुनाए जाते हैं और उनका ऑडियो डाउनलोड नहीं होता।

इस्तेमाल के अधिकार। Kokoro-82M, Apache-2.0 लाइसेंस के तहत प्रकाशित है, जो व्यावसायिक इस्तेमाल की अनुमति देता है। आप जो ऑडियो बनाते हैं वह आपका है; Sandbook उस पर कोई दावा नहीं करता।

सीमाएँ। टाइप किया गया टेक्स्ट: हर बार 1,500 अक्षर तक, यानी लगभग डेढ़ मिनट की आवाज़। इंपोर्ट की गई फ़ाइलें: EPUB, PDF, Word (.docx), Markdown, HTML और सादा टेक्स्ट, किसी भी लंबाई की; स्कैन किए गए PDF (बिना टेक्स्ट लेयर) और DRM से सुरक्षित किताबें नहीं पढ़ी जा सकतीं। यह टूल कंप्यूटर पर सबसे अच्छा चलता है। नए फ़ोन पर भी यह चलता है, पर धीमे, और पुराने फ़ोन में इसके लिए मेमोरी कम पड़ सकती है; ऐसा लगने पर टूल डाउनलोड से पहले बता देता है। फ़ोन लॉक होने या टैब के बैकग्राउंड में जाने पर पढ़ना रुक जाता है। पहले डाउनलोड के तुरंत बाद टैब बंद करने से कभी-कभी ब्राउज़र कैश में लिखना पूरा नहीं कर पाता, और तब अगली बार मॉडल फिर से डाउनलोड होता है।

प्राइवेसी। आपका टेक्स्ट और ऑडियो कभी आपके ब्राउज़र से बाहर नहीं जाते। आप जो फ़ाइल इंपोर्ट करते हैं वह आपके डिवाइस पर ही खुलती है और अपलोड नहीं होती। टूल सिर्फ़ ये फ़ाइलें लाता है: मॉडल, आपकी चुनी हुई आवाज़, गैर-अंग्रेज़ी आवाज़ों के लिए फ़ोनेमाइज़र, और जिस तरह की फ़ाइल आप इंपोर्ट करते हैं उसका रीडर।

क्रेडिट। यह टूल ओपन-सोर्स सॉफ़्टवेयर पर बना है: Kokoro-82M (Apache-2.0), ONNX Runtime Web (MIT), Transformers.js (Apache-2.0), kokoro-js (Apache-2.0), eSpeak NG (GPL-3.0), PDF.js (Apache-2.0) और fflate (MIT)।

यह पेज मॉडल का एक डेमो है। Sandbook असली ऐप है: यह वही Kokoro-82M मॉडल Apple MLX के ज़रिए iPhone, iPad और Mac पर चलाता है, पूरी तरह ऑफ़लाइन, सभी 41 आवाज़ों के साथ और बिना लंबाई की सीमा के। यह EPUB किताबें और PDF, वेब पेज और (iPhone व iPad पर) स्कैन किए गए पेज पढ़कर सुनाता है, बोले जा रहे हर शब्द को हाइलाइट करता है, और याद रखता है कि आप कहाँ रुके थे। मुफ़्त, बिना अकाउंट और बिना कुछ खरीदे। इसके लिए iOS 18.2 वाला iPhone 12 या उसके बाद का मॉडल, या Apple silicon (M1 या उसके बाद की चिप) और macOS 15.2 वाला Mac चाहिए।

फ़ोन पर मॉडल कैसे चलता है, यह iPhone के लिए Kokoro TTS ऐप वाले पेज पर समझाया गया है। अगर आपको बस फ़ोन से स्क्रीन पढ़वानी है, तो iOS यह पहले से कर सकता है: iPhone की अपनी सेटिंग्ज़ से टेक्स्ट टू स्पीच। और Speechify, NaturalReader और दूसरे रीडरों के मुकाबले Sandbook कैसा है, यह iPhone रीडर के विकल्पों में देखें।