今、Kokoroを使って面白いサイドプロジェクトのブラウザゲームを作ってるんだ。これが85MB（wasmバージョン）か300MB（webgpuバージョン）ってだけで、めっちゃ良いよ。

楽しい…これは本当に大事なことなんだ。以前はwhisperxのバージョンを持ってたんだけど、単なる文字起こしだけじゃなくて、タイミングや話者の識別（例えば字幕用）も重要だと思ってる。だけど、pyannoteに依存してるから、ちょっと変なライセンスがあって、インストールのスクリプトも難しいんだよね。だから、もっと良い文字起こしができて、ダイアライゼーション（話者とタイミング）もサポートしてるものを探してた。文字起こしにはparakeet、ダイアライゼーションにはsoftformerを選んだんだけど、利用可能なエンジンのほとんどはsoftformerを含んでない。そこで、softformerをサポートするparakeet-rs用のOpenAI互換サーバーを作ったんだ（https://github.com/altunenes/parakeet-rs）。それをOpenWhispr（いろんな便利なことを処理するデスクトップアプリ）と一緒に使ってる。今はCPUだけで文字起こししてるけど（GPUは他のことに使ってるから、GPUパスを追加するのはまだなんだ）、ローカルで自由に文字起こしできるのはすごく力強いよ。

すごい！やっとiPhoneのANEに移植できたよ！これで、自然なローカルTTSと、バッテリーの消耗も4分の1、熱も抑えられる。

Kokoroをアクセシビリティ製品にかなり使ってきたよ。これを使うのが大好きなんだ（特に、同じくらいの品質のTTSが多くNVidia GPUを必要とする中で、私は持ってないから）。IPAの発音ガイドを手動で追加できるのが特にありがたい。重要な単語が同形異義語の場合、Kokoroが間違った発音をすることがあったんだ。ちょっと残念なのは、一言二言だけを言わせるとき。例えば「six」って言わせると、ほぼいつも「ah-six-ah」って言っちゃう。でも、解決策を見つけたよ。長い文を言わせると（例えば「The word is: six」）、ちゃんと言ってくれる。KokoroのAPIは文中の各単語のタイムスタンプを教えてくれるから、Pythonスクリプトで気に入った単語だけを切り取ることができる。イントネーションはちょっと平坦だけど、信頼性は高い。これについてDiscordで聞いたら、小さいパラメータサイズの制限だって言われた。でもKokoroに対して公平に言うと、eleven-labsの声も時々同じ問題があるよ。

AIで遊んで、Kokoroの高価なレイヤーを削除するのに一日かけたんだ。スマホやCPU、MNNで動かしたら、3倍速くなったよ。品質もかなり近い。君の環境によって変わるけど、これが私のスクリプトだよ： https://github.com/DavidVentura/translator-rs/blob/master/sc...

数ヶ月前に、どんなウェブページでもこれを実行するChrome拡張を作ったんだ。読み上げている文を同時にハイライトする機能もあるよ。コンテナを立ち上げるステップや、ウェブサイトの内容をコピー＆ペーストするステップをスキップできる。Kokoroをエルゴノミクスに使おうとしている人には役立つかも。 https://chromewebstore.google.com/detail/local-reader-ai-on-...

このモデル大好き。GPUが貧弱で、ローカルモデルで遊んでないことにFOMO感じてたんだ。約1ヶ月前に、GTX1650でKokoroをセットアップして、記事リーダー用のTTSをやってる。シンプルなWebUIでURLやコピーしたテキストをペーストできる。Pythonがそれを整えて、KokoroにTTSを送って、Apple Podcasts用にRSSで配信してる。朝のドライブ中に集めた記事やブログ投稿をキャッチアップするんだ。いつか、別々の声で遊んで、集めたニュースアイテムのラジオの朝のショーみたいなNotebookLMを作ってみたいな。

ちょっと素朴な質問なんだけど、前に特定の音声ファイルをダウンロードして、他のRVC TTSプロジェクトで使おうと思ったんだけど、CPUだけじゃ動かせなくて、結局欲しかった音声だけ残したんだ。で、その音声が.pth形式なんだけど、Kokoroのhuggingfaceページでは、彼らの音声は全部.ptなんだよね。この音声をKokoroで使えるかな？無理なら、変換する方法ってあるのかな？誰かがこの特定の音声を.pt形式で作ってるか探してみることもできるけど、AIにあまり詳しくないから、どう探せばいいかわからないんだ。

超クールだね！！俺は1月から自分のソリューションを使ってるよ。Linux使ってるから、AquaやWhipsrflowとか使えなくて、自分で作ったんだ。最近整理して、インストールしやすくしたよ。興味がある人はここでチェックしてみてね：https://github.com/Hugo0/voiceio これは時間とともに自己改善していくし、ローカルマシンで動くし、全体的に decent なソフトだよ。今はPCとのやり取りの60%が音声入力になってる。