你还在为OpenAI文字转语音的账单发愁吗？每处理100万个字符就要支付15美元，如果内容量大，这笔开销很快会膨胀到让人皱眉。而一个叫做Kokoro的替代方案，合成出来的人声同样自然流利，价格却只要每百万字符0.77美元——相当于把成本压到了原来的约二十分之一。更妙的是，迁移几乎不需要改动现有代码。
背后的逻辑很简单：Kokoro通过deAPI提供一个与OpenAI完全兼容的接口。你不需要重写音频生成的调用逻辑，只要把请求地址和API密钥换成deAPI的，其余参数、响应处理、文件写入方式统统保持不变。对于已经用上OpenAI TTS的开发者来说，这就是一个30秒就能完成的切换动作。
如果你现在就在使用OpenAI的Python SDK，代码大概是这样的：实例化OpenAI客户端，调用client.audio.speech.create，指定模型“tts-1”、声音“nova”和要转换的文本，最后把返回的音频内容写入文件。切换到Kokoro之后，你只需要改动两处——第一行是把api_key替换成deAPI的密钥（以“dpn-sk-”开头），第二行是设置base_url为“https://oai.deapi.ai/v1”。然后把模型名改成“Kokoro”，声音代号调整为对应的“af_nova”，其他东西原封不动。Node.js用户同样只需修改apiKey和baseURL，其余调用方式完全一致。
声音的选择也足够丰富。Kokoro提供了超过40种声音，覆盖七种语言。刚接触的用户往往会先尝试这几个：类似OpenAI“nova”风格的“af_nova”，以及一些中性或温暖的女声。但Kokoro还有一批OpenAI没有的选项。比如“af_heart”是一种温暖的女声，特别适合冥想类应用的旁白；“am_fenrir”则带着更低沉的特质，适合预告片或戏剧化的叙述。西班牙语、法语、印地语、意大利语和巴西葡萄牙语也都有各自的母语发音人，而不是让一个英语发声人去拼读外语——这让多语言场景的听感自然得多。
输出格式方面，Kokoro支持mp3、wav、flac和opus，可以通过OpenAI SDK里现成的response_format参数直接指定。所有音频都以24kHz采样率生成，这个品质已经够得上播客和有声书制作的标准。一旦完成迁移，你顺便还解锁了整个deAPI生态里的其他能力，比如声音克隆，以及根据文字描述直接设计声音风格——这些附加功能不需要额外调整调用方式，只要继续用同一个端点就能逐步探索。
热门跟贴