remsky/Kokoro-FastAPI
کاربرد:
این پروژه یک سرویس وب مبتنی بر FastAPI است که مدل تبدیل متن به گفتار Kokoro-82M را در محیط Docker اجرا می‌کند. این سرویس از دو حالت پردازش پشتیبانی می‌کند: استفاده از CPU با ONNX و یا GPU نویدیا با PyTorch. همچنین به‌صورت خودکار بخش‌های مختلف صوتی را به هم متصل می‌کند (auto-stitching) تا خروجی یکپارچه باشد.
در چه شرایطی بهتره استفاده شود؟
اگر به دنبال یک سرویس محلی (on-premise) برای تبدیل متن به صوت با کیفیت بالا و بدون وابستگی به APIهای ابری هستی، این پروژه گزینه عالی‌ایه.
همچنین اگر دستگاهت فاقد GPU قویه، می‌تونی از حالت CPU با ONNX استفاده کنی که مصرف منابع کمتری داره. اما اگر یک کارت گرافیک نویدیا داری، می‌تونی از قدرت GPU برای پردازش سریع‌تر استفاده کنی.
چند مثال از موارد استفاده
ساخت صدا برای کتاب‌های صوتی یا محتوای آموزشی
استفاده در ربات‌های چت هوشمند با قابلیت گفتاری
ادغام در سیستم‌های خودکار تماس‌گیرنده (call center)
توسعه ابزارهای کمکی برای نابینایان
ایجاد دوبله یا دیالوگ در انیمیشن‌های کوچک
- ##TextToSpeech
- ##FastAPI
- ##Docker
- ##ONNX
- ##PyTorch
- ##NVIDIA
- ##TTS
- ##Kokoro
- ##LocalAI
- ##VoiceGeneration