Kokoro TTS 實測：免費生成能用，站方賣的擴充裡沒有 Kokoro

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

在 kokorottsai.com 這個網站上，你真的可以免費把文字變成語音。我輸入一段英文、按下生成鈕，大約十秒後瀏覽器裡出現可以播放的音檔，全程不用註冊、不用登入。這部分是貨真價實的。

但把頁面拆開看，事情就沒那麼單純。同一個 Kokoro 名字底下，其實疊著三層來源不同的東西：引擎是一個真的開源、真的免費的 AI 語音模型；你在頁面上操作的那個工具，是別人放在 Hugging Face 上的社群示範頁，被整頁嵌進來；而網站自己真正販售的 Chrome 擴充功能，裡面沒有 Kokoro 模型，賣的是瀏覽器本來就內建的朗讀功能，加上每月一萬字的使用額度。

三層拆開驗證之後，結論先講：純英文的快速配音，這站可以用（直接開 Hugging Face 上的原始 demo 更乾淨）；中文需求在這個引擎上卻是最弱的一塊；任何要付錢的選項，要看清楚你買到的是什麼。

同一個名字，三層不同的東西

先從最底層講起。Kokoro 是一個 8,200 萬參數的文字轉語音模型，2024 年 12 月底發表在 Hugging Face，作者宣稱採用 StyleTTS 2 架構、以小體積換取高效率。權重採 Apache 2.0 授權，可以免費商用；對應的 Python 函式庫在 GitHub 上有九千多顆星。模型卡最後更新停在 2025 年 4 月，函式庫最後一次推送是 2025 年 8 月，之後就凍結了。以平台數字看，這個模型近一個月被下載超過一千一百萬次，是最常被拿去包裝成網站的語音引擎之一。

中間那層是 kokorottsai.com 這個網站。網域在 2025 年 1 月 17 日註冊，也就是模型發表三週之後；同一天這個站就出現在公開網頁存檔紀錄裡，上線速度可見一斑。首頁從頭到尾找不到任何一個連向模型作者或模型庫的連結，頁尾的版權行則寫著這個站與另一個名為 LensGo AI 的服務有關聯。換句話說，它是模型走紅後迅速上線的第三方包裝站。

這個網站的服務條款把整個「Kokoro TTS 平台」的版權寫成 kokorottsai.com 所有，但首頁常見問答又說 Kokoro 是 Apache 2.0 的開源專案、可自由整合。兩份說法可以並存，是因為它們講的其實是兩個不同的東西：模型的權重人人可用，包裝站的頁面與服務才是站方的。你打勾同意的條款屬於後者，而後者對模型本身沒有任何權利可言。

三層各自的目的也不同。模型作者要的是技術影響力，社群範例頁要的是推廣瀏覽器端的推論技術，包裝站要的是流量變現。你用哪一層，決定了誰受益：用工具層，廣告商付錢給站方；用引擎層，沒有人從你身上賺走任何東西；買商品層，你付的錢與模型研發無關。

站上工具實測：能免費生成，聲音卻只有英語

實際操作的那個輸入框，表面上是網站的功能，骨子裡是一個內嵌框架，指向 Hugging Face 上 webml 社群的 kokoro 示範頁（2025 年 1 月建立，至今仍在運作）。我輸入一段英文、選聲音、按生成，約十秒後頁面出現音檔播放器。檢查背後的網路流量可以確認兩件事：模型檔與聲音包都是從 Hugging Face 與公共 CDN 下載到你的瀏覽器，用瀏覽器內的推理技術當場算出聲音；整個過程中，你輸入的文字沒有被送到這個網站自己的伺服器。就「文字不出自己的機器」這個標準，這個工具相當乾淨。

Pin

不過聲音清單洩了底。這個示範頁的選單總共只有 11 支聲音，全是美式與英式英語；行銷頁面上列的中文、日文、法文，在站上一支都選不到。想在站上直接合成中文的讀者，到這一步就會撲空。

有個反差值得記下來：被嵌入的示範頁自己倒是很誠實，頁尾標明由 Kokoro 模型與 Transformers.js 技術驅動，載入時也明白告訴你模型檔只會下載一次、之後由瀏覽器快取，第二次開就快得多。包裝站把來源資訊拿掉、換上自己的品牌與廣告版位，兩者的誠實度剛好相反。

免費的代價也不在文字，在頁面。實測首頁單次載入共發出 113 個網路請求，其中約 44 個屬於 Google 廣告聯播與流量分析服務，包括廣告競價、GA4 與標籤管理器。你的稿件不會外流，但你的注意力是這個站的商品。

站方的維護力度也有跡可循。首頁背景影片的儲存連結用的是網站上線當天產的臨時簽名位址，效期一年，2026 年 1 月到期後這段影片就默默失效了，至今沒有換新。工具能用是因為工具不在站方手裡，這一點從側面又得到一次印證。

引擎本體：開源免費，中文卻是官方評級最弱的一環

如果把引擎本身拉出來看，它是一個誠實得少見的開源專案。官方的聲音表把每支聲音的資料品質與訓練時數直接列成評級，而不是只放行銷形容詞：美式英語 11 支女聲、9 支男聲，最好的幾支拿到 A 級評價，訓練資料以十小時計；英式英語、日文、西班牙文、法文、印度文、義大利文、巴西葡文各有一至數支；中文（普通話）有 4 支女聲、4 支男聲，全部列 D 級，每支的訓練資料以分鐘計。同一張表裡，英文旗艦聲音與中文聲音的資料量相差一到兩個數量級。官方文件同時自述了模型的地雷區：語句在 100 至 200 token 之間表現最好，短句偏弱，長句會越念越趕，需要手動分段或調速度參數。

換成實際的工作流程，這個甜蜜區告訴你兩件事：做配音時把稿子按幾個句群切塊餵，會比整段貼進去穩；要做整本書的自動化，分段邏輯得自己寫，官方函式庫提供的是切分參數與速度參數，不會替你判斷哪裡該斷句。

如果你的聽眾以台灣為主，還有一個更實際的訊息：這 8 支中文聲音從命名與語言碼判斷，對應的是中國大陸普通話語音，整個專案沒有台灣腔的聲音。如果你的內容是繁體中文、而且聽感要能上檯面，這個引擎的中文是目前最不建議碰的一環。

站方行銷頁與引擎現況也有一處對不起來：行銷文案把韓語列在支援語言裡，但官方聲音表從頭到尾沒有韓語，倒是有行銷頁沒提的西班牙文、印度文、義大利文與葡文。這不是小勘誤，而是判斷這個站可信度的好線索：語言清單是抄來的行銷素材，不是查證過的事實。真要用韓語生成的人，照著這個清單規劃專案會直接開天窗。

模型權重自 2025 年 4 月後沒有再更新，函式庫也停在同年 8 月，這點預期要先設好。它是一個定型的成品。你今天裝的就是這個樣子，不會有下一版聲音或下一輪調校；壞處是不會更好，好處是不會突然變差。

自己裝來跑：中文二十四個字，0.8 秒生成本機音檔

如果讀的是英文內容，成本最低的路其實是把引擎裝在自己機器上。實測在 macOS 上建一個乾淨的 Python 環境、用 pip 裝好官方函式庫（中文需要加裝官方的中文讀音轉換元件，Windows 的英文離線生成要補裝 espeak 語音元件，Mac 的 Apple 晶片照官方文件設一個環境變數就能吃硬體加速），之後在完全本機的環境生成：一句 24 個中文字的句子，管線初始化 1.2 秒、生成 0.8 秒，產出 6.88 秒的 24kHz 音檔；換英文聲音測試，初始化 1.6 秒、生成 0.4 秒，產出 2.58 秒的音檔。速度完全不是瓶頸，瓶頸在前一段講的中文資料等級。權重放在自己機器上，文字與運算都留在本機。

自架的授權負擔也輕：權重 Apache 2.0，商用不需要授權費。想把它包成服務的開發者，社群裡有現成的開源包裝（例如走 OpenAI 相容介面的 Docker 方案），不必從這個網站買任何東西。真的需要雲端級中文語音的讀者，EasyVoice 這類走微軟朗讀端點的工具有現成的 zh-TW 聲音可用；要更完整的本機語音工作室，可以看 Voicebox；企業級方案則參考我們寫過的 Azure 語音自架筆記。

付費那一層裡沒有 Kokoro

網站首頁最大的橫幅推薦你裝 VoiceRead 這個 Chrome 擴充，訴求是「每月一萬字免費」。查它的商店頁面會看到幾個關鍵事實：448 位使用者、零則評價、版本 1.0.2（2026 年 8 月更新）、開發者以非交易者身分登記，沒有公開的公司資訊。

商店頁的介紹從頭到尾沒有出現過 Kokoro 這個詞，這是最值得停下來的一點。它自己寫明，朗讀使用的是瀏覽器與作業系統內建的語音；免費版每月 10,000 字的播放額度，付費訂閱解除額度上限，商店頁沒有列價格。一萬字是什麼概念？一篇兩三千字的長文，這個額度大約夠每個月念三到五篇；每天要聽整份新聞或論文的人很快會撞到上限，而這些朗讀本身不需要經過任何付費語音引擎。也就是說，你瀏覽器裡本來就有免費的系統朗讀聲，這個擴充把選取朗讀、側欄控制、段落跳轉這些體驗整理起來，然後把播放字數做成需要訂閱才能解開的帳。

體驗包裝本身可以是價值，懶得自己按系統朗讀的人覺得順手也合理。把選取即念、側欄控制、段落跳轉整理好，確實比系統內建的陽春朗讀好用。問題只在資訊：商店頁不提 Kokoro、首頁卻用 Kokoro 當招牌，兩邊資訊對不起來，你得自己拼湊才會發現付費版裡沒有那個吸引你進門的模型。448 位使用者、零則評價的數字，也說明這個商品還沒有累積出可信的口碑樣本，付費前能參考的只有商店頁自己寫的介紹。

條款、見證與版本徽章的模板痕跡

這個網站的法律文件與行銷素材有明顯的模板來源。隱私政策裡寫著帳號資料與信用卡付款資訊的處理條款，但網站本身既沒有註冊流程也沒有結帳頁，那些欄位實際對應的是擴充功能裡的訂閱系統；條款裡「不得轉售範本」這類禁止條目，一看就是從網站模板附帶的樣本改來的。首頁的使用者見證是常見的模板組合（電子書出版商、企業訓練師各一位），頁尾的文件、元件、範本三個資源連結則是沒填位址的空佔位，點下去哪裡也去不了。

再看那個掛在標誌旁的「最新版 v0.23」徽章：模型本身是 v1.0 世代，官方函式庫停在 0.9.4，都對不上 0.23 這個數字。它對得上的只有網站自己的改版節奏，一個拿別人引擎的版本文化來暗示自己持續更新的行銷手法。

Pin

這些細節單獨看都無傷大雅，合起來看就是同一件事：這個站的主業是流量與轉換，不是語音技術。它選了一個下載量千萬級的免費引擎當招牌，把免費工具當櫥窗，把訂閱商品當貨架。

誰該用哪一層

動手前兩件事值得自己先試：聲音好不好聽因人而異，各拿一段自己的稿子生成一次再決定；長文與整本書要自己處理分段，穩定度隨稿件結構差異很大。擴充的 Pro 版價格與完整功能，商店頁沒有揭露，付費前也找不到第三方評價可以參考。

分流建議很簡單。偶爾需要把英文短文變配音的人，用站上工具，或直接開 Hugging Face 上那個原始 demo 頁（少了廣告，體驗一樣）。內容以中文為主的人，這個引擎的中文是 D 級、沒有台灣腔，把預算與時間放到 zh-TW 聲音完整的方案比較實際。開發者與想自架的人，直接走 pip 或現成的 Docker 包裝，免費、可商用、速度夠快。至於每個月一萬字的瀏覽器朗讀訂閱，在按下付費之前，先確認你買的介面體驗，值不值得讓瀏覽器本來就有的功能變成收費的。

這個站上，免費的是模型，借來的是工具，收費的是包裝。三層分清楚，你的錢和時間就都會花在對的地方。