ghcr.io/remsky/kokoro-fastapi-cpu:v0.2.1

FastKoko

Kokoro-82M文本转语音模型的Docker化FastAPI封装器

• OpenAI兼容的语音端点，多语言支持
• 英语（美国/英国）、西班牙语、法语、印地语、意大利语、日语、巴西葡萄牙语、普通话
• 逐词带时间戳的字幕生成，带权重组合的语音混合
• 音素端点：从文本生成音素，或从音素生成音频
• 预构建的多平台镜像
• CPU和NVIDIA GPU（CUDA）：linux/amd64 + linux/arm64
• AMD GPU（ROCm，实验性）：仅linux/amd64
• Apple Silicon（MPS）通过UV直接运行时支持（无镜像）

集成指南

快速开始

最快开始（docker run）

预构建的多架构镜像，内置模型。

:latest 标签可用，但为确保稳定使用，请固定到发布标签。

docker run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu:latest # CPU
docker run --gpus all -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-gpu:latest # NVIDIA（x86_64或arm64）
docker run --gpus all -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-gpu:latest-cu128 # NVIDIA Blackwell / RTX 50系列
docker run --device=/dev/kfd --device=/dev/dri -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-rocm:latest # AMD

通过环境变量进行配置，参见 core/config.py。:latest 和 :latest-cu126 标签解析为同一个多架构镜像。

快速开始（docker compose）

1. 安装先决条件，并使用Docker Compose启动服务（完整设置，包括UI）：

• 安装 Docker
• 克隆仓库：

git clone https://github.com/remsky/Kokoro-FastAPI.git
cd Kokoro-FastAPI

cd docker/gpu # 用于NVIDIA GPU支持
# 或 cd docker/cpu # 用于CPU支持
# 或 cd docker/rocm # 用于AMD GPU（ROCm，实验性，仅amd64）
docker compose up --build

# *Apple Silicon（M1/M2/M3）用户注意：
# Docker GPU镜像是仅CUDA的，无法在Apple Silicon上运行。使用Docker时，请使用 `docker/cpu`。
# 如需原生MPS（Apple GPU）加速，请通过UV直接运行 `./start-gpu_mac.sh`。

cd ../.. # 返回仓库根目录，以便使用以下路径

# 模型将自动下载，如有需要也可手动下载：
python docker/scripts/download_model.py --output api/src/models/v1_0

# 或通过UV直接运行：
./start-gpu.sh # 用于GPU支持
./start-cpu.sh # 用于CPU支持

直接运行（通过uv）

1. 安装先决条件（）：

• 安装 astral-uv
• 如需将其作为未知单词/声音的后备方案，请在系统中安装 https://github.com/espeak-ng/espeak-ng%E3%80%82%E4%B8%8A%E6%B8%B8%E5%BA%93%E5%8F%AF%E8%83%BD%E4%BC%9A%E5%B0%9D%E8%AF%95%E5%A4%84%E7%90%86%E6%AD%A4%E9%97%AE%E9%A2%98%EF%BC%8C%E4%BD%86%E7%BB%93%E6%9E%9C%E5%90%84%E4%B8%8D%E7%9B%B8%E5%90%8C%E3%80%82
• 克隆仓库：

git clone https://github.com/remsky/Kokoro-FastAPI.git
cd Kokoro-FastAPI

如果尚未运行，请运行 https://github.com/remsky/Kokoro-FastAPI/blob/master/docker/scripts/download_model.py

通过UV直接启动（带热重载）

Linux和macOS

./start-cpu.sh OR
./start-gpu.sh

Windows

.\start-cpu.ps1 OR
.\start-gpu.ps1

启动并运行？

作为OpenAI兼容的语音端点在本地运行

from openai import OpenAI

client = OpenAI(
base_url="http://localhost:8880/v1", api_key="not-needed"
)

with client.audio.speech.with_streaming_response.create(
model="kokoro",
voice="af_sky+af_bella", #单个或多个语音包组合
input="Hello world!"
) as response:
response.stream_to_file("output.mp3")

• API将在 http://localhost:8880 可用

• API文档：http://localhost:8880/docs

• Web界面：http://localhost:8880/web

功能

OpenAI兼容的语音端点

# 使用OpenAI的Python库
from openai import OpenAI
client = OpenAI(base_url="http://localhost:8880/v1", api_key="not-needed")
response = client.audio.speech.create(
model="kokoro",
voice="af_bella+af_sky", # 参见 /api/src/core/openai_mappings.json 进行自定义
input="Hello world!",
response_format="mp3"
)

response.stream_to_file("output.mp3")

或通过Requests：

import requests

response = requests.get("http://localhost:8880/v1/audio/voices")
voices = [v["id"] for v in response.json()["voices"]]

# 生成音频
response = requests.post(
"http://localhost:8880/v1/audio/speech",
json={
"model": "kokoro",
"input": "Hello world!",
"voice": "af_bella",
"response_format": "mp3", # 支持：mp3、wav、opus、flac
"speed": 1.0
}
)

# 保存音频
with open("output.mp3", "wb") as f:
f.write(response.content)

快速测试（从另一个终端运行）：

python examples/assorted_checks/test_openai/test_openai_tts.py # 测试OpenAI兼容性
python examples/assorted_checks/test_voices/test_all_voices.py # 测试所有可用语音

语音组合

• 使用比例的加权语音组合（例如，"af_bella(2)+af_heart(1)" 表示67%/33%的混合）
• 比例会自动归一化，总和为100%
• 通过在括号中添加权重，可在任何端点使用
• 保存生成的语音包以供将来使用

组合语音并生成音频：

import requests
response = requests.get("http://localhost:8880/v1/audio/voices")
voices = [v["id"] for v in response.json()["voices"]]

# 示例1：简单语音组合（50%/50%混合）
response = requests.post(
"http://localhost:8880/v1/audio/speech",
json={
"input": "Hello world!",
"voice": "af_bella+af_sky", # 等权重
"response_format": "mp3"
}
)

# 示例2：加权语音组合（67%/33%混合）
response = requests.post(
"http://localhost:8880/v1/audio/speech",
json={
"input": "Hello world!",
"voice": "af_bella(2)+af_sky(1)", # 2:1比例 = 67%/33%
"response_format": "mp3"
}
)

# 示例3：将组合语音下载为.pt文件
response = requests.post(
"http://localhost:8880/v1/audio/voices/combine",
json="af_bella(2)+af_sky(1)" # 2:1比例 = 67%/33%
)

# 保存.pt文件
with open("combined_voice.pt", "wb") as f:
f.write(response.content)

# 使用下载的语音文件
response = requests.post(
"http://localhost:8880/v1/audio/speech",
json={
"input": "Hello world!",
"voice": "combined_voice", # 使用保存的语音文件
"response_format": "mp3"
}
)

多种输出音频格式

• mp3
• wav
• opus
• flac
• m4a
• pcm

流式支持

处理详情

性能与基准测试

硬件变体

# GPU：需要支持 CUDA 12.6+ 的 NVIDIA 驱动（~35x-100x 实时速度）
cd docker/gpu
docker compose up --build

# CPU：PyTorch CPU 推理
cd docker/cpu
docker compose up --build

# AMD GPU：ROCm 6.4（实验性，仅支持 amd64）
cd docker/rocm
docker compose up --build

吞吐量

基准测试通过本地 API 进行生成，文本长度最高达长篇书籍（~1.5 小时输出），测量处理时间和实时因子。测试环境如下：

• Windows 11 Home 搭配 WSL2
• NVIDIA 4060Ti 16gb GPU（CUDA 12.1）
• 11th Gen i7-***（2.5GHz）
• 64gb RAM
• WAV 原生输出
• H.G. Wells - 《时间机器》（全文）

关键性能指标：

• 实时速度：35x-100x 范围（生成时间与输出音频长度比）
• 平均处理速率：137.67 令牌/秒（cl100k_base）

模型卸载/显存回收

POST /dev/unload 会将模型从显存中释放，并在下一次请求时延迟加载。回收量随负载（激活池，而非仅权重）扩展但会达到稳定值：分块上限为 450 令牌。长文本约为 30 个段落。测试环境同上。

基准值为宿主系统+CUDA 上下文。可通过 examples/ 目录下的 uv run --extra benchmarks assorted_checks/benchmarks/benchmark_model_unload.py 复现。

转录往返测试（WER/CER）

端到端往返测试：使用 Kokoro 合成音频，通过 https://github.com/SYSTRAN/faster-whisper 将结果转录回文本，与源文本比较。脚本和数据位于 examples/assorted_checks/test_transcription/。

长篇英文（整本书《地心游记》，古登堡计划，语音 af_heart，CUDA float16 上的 base.en Whisper 模型，基准测试基于 cu126 GPU 构建）：

完整回归区间参见 examples/assorted_checks/test_transcription/BASELINE.md。

按语言检查（每种语音单句，多语言 Whisper small 模型。拉丁语系使用 WER，日语/中文/印地语使用 CER）：

注意：这些是单句短文本测试，非全面的按语言质量基准。它们仅确认每种语音能生成目标语言的可转录音频；更深入的按语言质量评估仍在进行中。

复现方法参见 examples/assorted_checks/test_transcription/README.md。

自然边界检测

• 自动在句子边界处拆分并拼接
• 有助于减少 artifacts，并支持长文本处理（基础模型当前配置仅支持约 30 秒输出）

模型一次可处理最多 510 个音素化令牌的分块，但这通常会导致“急促”语音或其他 artifacts。服务器中额外增加了一层分块逻辑，通过环境变量配置 TARGET_MIN_TOKENS、TARGET_MAX_TOKENS 和 ABSOLUTE_MAX_TOKENS 创建灵活分块，默认值分别为 175、250、450。

带时间戳的字幕与音素

生成带词级时间戳的音频（非流式）：

import requests
import base64
import json

response = requests.post(
"http://localhost:8880/dev/captioned_speech",
json={
"model": "kokoro",
"input": "Hello world!",
"voice": "af_bella",
"speed": 1.0,
"response_format": "mp3",
"stream": False,
},
stream=False
)

with open("output.mp3","wb") as f:

audio_json=json.loads(response.content)

# 解码 base64 流为字节
chunk_audio=base64.b64decode(audio_json["audio"].encode("utf-8"))

# 处理流式分块
f.write(chunk_audio)

# 打印词级时间戳
print(audio_json["timestamps"])

生成带词级时间戳的音频（流式）：

import requests
import base64
import json

response = requests.post(
"http://localhost:8880/dev/captioned_speech",
json={
"model": "kokoro",
"input": "Hello world!",
"voice": "af_bella",
"speed": 1.0,
"response_format": "mp3",
"stream": True,
},
stream=True
)

f=open("output.mp3","wb")
for chunk in response.iter_lines(decode_unicode=True):
if chunk:
chunk_json=json.loads(chunk)

# 解码 base64 流为字节
chunk_audio=base64.b64decode(chunk_json["audio"].encode("utf-8"))

# 处理流式分块
f.write(chunk_audio)

# 打印词级时间戳
print(chunk_json["timestamps"])

音素与令牌路由

将文本转换为音素和/或直接从音素生成音频：

import requests

def get_phonemes(text: str, language: str = "a"):
"""获取输入文本的音素和令牌"""
response = requests.post(
"http://localhost:8880/dev/phonemize",
json={"text": text, "language": language} # "a" 表示美式英语
)
response.raise_for_status()
result = response.json()
return result["phonemes"], result["tokens"]

内联控制令牌

input文本中可嵌入两种令牌，由服务器端（API、WebUI或任何客户端）解析：

• 停顿：[pause:1.5s] 插入指定时长的静音。格式必须严格匹配（冒号、结尾s、不区分大小写）。[pause=1.5]、[PAUSE 1.0] 以及 SSML <break> 均不被识别，会被直接朗读。
• 发音：[Worcester](/wˈʊstər/) 会朗读斜杠间的IPA音标而非原词。仅支持英语；使用 /dev/phonemize 端点获取IPA音标。

The city of [Worcester](/wˈʊstər/) is easy. [pause:1s] See?

调试端点

通过以下端点监控系统状态和资源使用情况：

• /debug/threads - 获取线程信息和堆栈跟踪
• /debug/storage - 监控临时文件和输出目录使用情况
• /debug/system - 获取系统信息（CPU、内存、GPU）
• POST /dev/unload - 从VRAM释放模型；下次请求时会惰性重新加载

适用于调试资源耗尽或性能问题。

日志

全局API的loguru日志级别可通过 API_LOG_LEVEL 环境变量设置。默认值为 DEBUG。

Docker

修改相应的compose配置文件或追加到命令行：

docker run --env 'API_LOG_LEVEL=WARNING' ...

通过UV直接运行

Linux 和 macOS

export API_LOG_LEVEL=WARNING
./start-cpu.sh 或
./start-gpu.sh

Windows

$env:API_LOG_LEVEL = 'WARNING'
.\start-cpu.ps1 或
.\start-gpu.ps1

已知问题与故障排除

单词缺失和时间戳丢失

API会自动对输入文本进行规范化处理，可能导致部分短语被错误移除或修改。可通过在请求JSON中添加 "normalization_options":{"normalize": false} 禁用规范化：

import requests

response = requests.post(
"http://localhost:8880/v1/audio/speech",
json={
"input": "Hello world!",
"voice": "af_heart",
"response_format": "pcm",
"normalization_options":
{
"normalize": False
}
},
stream=True
)

for chunk in response.iter_content(chunk_size=1024):
if chunk:
# 处理流式数据块
pass

Linux GPU权限问题

部分Linux用户以非root用户运行时可能遇到GPU权限问题。 无法保证以下解决方案适用于所有情况，请根据您的安全需求谨慎选择：

选项1：容器组（推荐方案）

services:
  kokoro-tts:
    # ... 现有配置 ...
    group_add:
      - "video"
      - "render"

选项2：主机系统组

services:
  kokoro-tts:
    # ... 现有配置 ...
    user: "${UID}:${GID}"
    group_add:
      - "video"

[!NOTE] 可能需要将主机用户添加到相关组：sudo usermod -aG docker,video $USER 并重启系统。

选项3：设备权限（谨慎使用）

services:
  kokoro-tts:
    # ... 现有配置 ...
    devices:
      - /dev/nvidia0:/dev/nvidia0
      - /dev/nvidiactl:/dev/nvidiactl
      - /dev/nvidia-uvm:/dev/nvidia-uvm

[!WARNING] 降低系统安全性。仅在开发环境中使用。

前提条件：必须正确配置NVIDIA GPU、驱动程序和容器工具包。

有关详细信息，请访问 NVIDIA Container Toolkit 安装指南。

部分播放器中WAV时长显示异常

WAV响应的头部包含流式标记（0xFFFFFFFF）大小字段。大多数播放器（soundfile、pydub/ffmpeg、浏览器、系统播放器）可正常处理，但Python标准库 wave 模块无法识别，会显示错误时长。建议使用 soundfile.info(path).duration 或 ffprobe 获取准确时长。

项目信息

版本控制与开发

分支策略：

• release 分支：包含最新稳定版本，推荐用于生产环境。特定版本的Docker镜像由此分支构建。
• master 分支：用于活跃开发。可能包含实验性功能、进行中的更改或尚未纳入稳定版本的修复。如需获取最新代码可使用此分支，但稳定性可能较低。latest Docker标签通常指向此分支的构建。

[!NOTE] 本项目本质上是一个以开发为重点的项目。

如遇问题，可能需要回退到发布标签中的某个版本，或从源代码构建、排查问题并提交PR。

自由开源是社区共同努力的结果，而每个人的时间精力有限。如果您想支持本项目，欢迎提交PR、请我喝杯咖啡，或报告使用过程中发现的任何bug/功能需求。

模型

本API使用HuggingFace的 Kokoro-82M 模型。

访问模型页面了解训练细节、架构和功能。我与该模型的开发团队无任何关联，开发此包装器仅为方便使用和个人项目。

许可证

本项目采用Apache License 2.0许可 - 详情如下：

• Kokoro模型权重采用Apache 2.0许可（参见 模型页面）
• 本仓库中的FastAPI包装器代码为匹配模型许可采用Apache 2.0许可
• 改编自StyleTTS2的推理代码采用MIT许可

完整的Apache 2.0许可文本可在以下地址获取：[***]

贡献者统计

使用 contrib.rocks 生成。