TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
Koeiro 開源變聲器：15 歲開發者的近零 token 開發帳，本機推論不用 GPU
自述 15 歲的開發者 Negix 公開 Windows 與 Linux 變聲器 Koeiro，以 MeanVC2 與 LavaSR 在本機做即時聲音轉換，標榜 Intel N150 等無 GPU 環境也能執行。「近零 token 費」指的是開發階段靠免費 AI 服務寫程式，軟體本身仍要自建 8GB 環境、模型另行下載，使用前要分清楚這兩筆帳。
用 AI 摘要這篇文章：
2026 年 10 月 12 日晚間，一位在 X 上自述「15 歲、正在做軟體開發」的日本開發者 Negix 公開了 Windows 與 Linux 變聲器 Koeiro，推文開場寫著「AI 的 token 費幾乎 0 日圓做出來的」。這則推文到次日已累積一千九百多個讚，故事也開始在網路上流傳。不過「近零成本」說的是開發階段用的免費 AI 服務，跟軟體下載後能不能跑、跑得順不順，是三筆不同的帳。拆開來看，這個專案真正該記住的部分有兩個：上游研究模型已經把即時變聲的算力需求壓到單一 CPU 核心就能負荷，而免費的 AI 寫程式額度讓一個學生開發者把它包成了有安裝包、有文件、有版本線的桌面軟體。
15 歲開發者的推文串：軟體、無 GPU 主張與成本澄清一次講完
事件本體發生在 2026 年 10 月 12 日 13 時 22 分（UTC，台北時間同日 21 時 22 分）。Negix 在主推文自我介紹「15 歲、正在做軟體開發」，說明 Koeiro 可以把麥克風輸入即時轉換成事先登錄的聲音，並附上 27 秒示範影片。他的 GitHub 個人檔也自述自己是「正在學 AI 的國三生」，開發方向是「沒有 GPU 也能動的本機 AI 軟體」。這兩個身分描述都出自作者本人，目前沒有第三方核實的管道。
推文串接下來的三則回覆把重點講完：軟體放在 GitHub 的 heynegix/koeiro；傳統 AI 變聲器幾乎都需要 GPU 環境，Koeiro 用很輕量的本機模型，在 Intel N150 這種低功耗處理器上也能跑出自然的聲音，而且作者承諾今後會繼續以自己手上的 N150 機器為前提開發；最後一則澄清成本，「幾乎 0 日圓」主要來自 Qodar 的免費推廣活動和 Freebuff 這個服務，之所以說「幾乎」、不說「完全」，是因為開發最最初期用過 Codex。
倉庫本身的時間軸也對得上這則故事的節奏。GitHub 帳號建立於 2026 年 7 月 10 日，專案倉庫 10 月 8 日建立，之後五天內連發六個版本：10 月 9 日兩個、10 月 11 日一個、10 月 12 日當天三個，其中 v0.13.1 在發布推文前六分鐘剛上架，當天深夜（UTC，台北時間已是 13 日上午）再補上 v0.13.2 的 Windows 安裝器。到 10 月 13 日為止，倉庫有 31 個星標。示範影片的片尾字幕顯示的仍是 v0.12.0，也就是說影片是在發布當天更早的版本上錄的。
示範影片拍的是軟體介面本身。開場字幕卡寫著「把自己的聲音即時轉換成登錄的聲音」，接著鏡頭帶過主畫面：麥克風、轉換、輸出三個節點串成的流程圖，旁邊標著概算的緩衝延遲數字；右側是聲音清單與預設聲音卡，狀態列顯示 AI 模型載入中、以及載入完成前暫時走原聲的備援狀態。影片從頭到尾沒有出現任何測試圖表或量測畫面，變聲的實際聽感只能靠自己的耳朵驗收，這是評價這類作品時要先放在心上的前提。
「近零 token 費」是一筆開發帳：免費活動加廣告換模型
要讀懂成本宣稱，得回到作者自己的說法。在發布推文的同一天稍早，Negix 先發過一則列出手上免費 AI 服務的推文：Freebuff 的模式是畫面常駐廣告，換取免費用 DeepSeek、GLM 等新一代低價模型寫程式，以 DeepSeek v4.1 flash 來說一天有 2 到 3 小時的免費額度。換句話說，「近零」的內容是：主要開發期靠免費推廣活動與廣告支援的服務，最早期用過一小段 Codex。
這筆帳的意義有兩個層面。它描述的是開發工具的使用成本，而不是軟體的執行成本：Koeiro 的變聲流程在本機跑模型，本來就不按對話 token 計費，把開發帳的「近零」延伸成「用這套軟體變聲零成本所以效果說了算」，兩頭都是誤讀。另外，免費額度有時效與資格條件，這是作者當下碰得到的活動，並非隨時可重現的價格承諾；想跟著做的人，該把自己會用到的付費期間與免費額度一起算進成本。
但這筆開發帳仍然是故事裡真正新的東西。語音轉換模型開源已久，缺的是把它們接成有人用的桌面軟體的那一層工程：圖形介面、音訊接線、安裝流程、版本管理。當 AI 寫程式工具的免費額度把這層工程的成本壓到接近零，個人開發者能端出來的就從「一段 Python 腳本」變成「有安裝包、有更新機制的產品」。Koeiro 的 README 甚至內建了一段給 Claude Code 或 Codex 用的自動設定提示詞，貼上就能讓代理指令碼把環境建好，開發靠 AI、安裝也靠 AI，這個迴圈本身就說明了門檻降到哪裡。
無 GPU 即時變聲的底盤：上游模型的單核設計
「Intel N150 也能跑」聽起來像行銷話術，但往上追一層會發現它有技術依據。Koeiro 的核心是 ASLP-lab 實驗室開源的 MeanVC2 串流語音轉換模型（論文編號 arXiv 2606.09050）：它的設計目標正是低延遲串流與 zero-shot 轉換，官方數字是 40 毫秒切割粒度下端到端首包延遲 110 毫秒，完整流程在單一 CPU 核心上的實時間率（RTF）低於 0.633，也就是說不需要獨立顯示卡就能追上說話速度。Koeiro 再接上 LavaSR 做高頻復元，把轉換過程中漏掉的高頻段補回來，再由 Vocos 神經聲碼器還原成音訊，這一步決定了批次高音質模式的聽感。把語音轉換留在本機的變聲器並不少見，Supertone Shift 就是點數制的商用例子，Koeiro 走的則是開源加無顯示卡的路線。
Koeiro 提供三種 AI 轉換模式讓使用者在延遲與品質之間選擇：逐次串流模式邊說邊轉，適合通話與遊戲；高音質批次模式用約 0.8 秒靜音切分語句，整句轉完再復原高頻，單段上限 60 秒；最速批次把判定等待壓到約 0.6 秒；另外保留了完全不經 AI 的原聲直通與 DSP 音高共振調整兩種模式。有 NVIDIA 顯示卡時可以切到 CUDA 加速，沒有就自動退回 CPU，軟體還刻意關閉 TF32 以維持輸出的可重現性。
軟體周邊的功能也是照著直播與通話場景設計的。Discord 的狀態欄可以顯示「正在用 Koeiro 變聲」與目前選用的聲音名稱；常用的麥克風、聲音與加工組合能存成設定檔一鍵切換；快捷鍵直接換轉換模式，或在原聲與 AI 變聲之間來回切；測試版還加入喊出喚醒詞「コエイロ」（Koeiro 的日文讀音）就能下指令的語音操作，背後跑的是本機日語辨識，不用把聲音送到雲端。
說話方式的微調也做成了一套開關。抑揚預設提供 Calm、Gentle、Energetic、Sad 與動畫風格等選項，在原本的語氣上疊加修正，預設停留在 Anime Light；光譜式降噪標明實驗性、預設關閉，用來壓風扇與電流底噪；音量自動均一化把小聲說話抬到轉換模型抓得住的音量，但靜音段不跟著放大；輸出端有最多 3dB 的收尾處理壓掉拼接噪聲與刺耳氣音；AI 輸出的共振調整只動共振、不動音高，代價是低延遲設定下再多約 43 毫秒。這些預設幾乎全數關閉，要什麼自己開，作者把「每一步加工都有代價」直接寫進了介面。
介面本身的紀律也值得記一筆。常設畫面只留一個「舞台」：輸入音量、三節點接線、延遲數字、Start 鍵，以及 AI 狀態與目前聲音名的大字顯示；所有設定收進右上角的「調整」抽屜，追加功能收進「實驗」抽屜，抽屜打開也不會蓋住舞台，聲音清單常駐右側、一鍵收合，抽屜裡還附搜尋與分類目錄。第一次啟動有聚光燈式導覽，只把當下要操作的部位打亮。對一個五天擠出六個版本的個人專案來說，這些取捨顯示作者想得很清楚：直播進行中最重要的資訊，永遠不能被設定面板蓋掉。
不過「N150 跑得順」的範圍是主流程，作者自己畫出了邊界。README 對可選的文字轉語音功能（Kokoro-82M，先前介紹過的 Kokoro TTS 是同一個模型家族）附了一組 N150 實測：載入約 6 秒，合成 2.4 秒的音訊要花約 23 秒，實時間率約 10，官方自註「低階硬體上不保證實用速度」；這個模型採 int8 量化後約 110MB、只支援英語語音，挑它圖的是輕，擋不住慢。實驗室裡的東西更前衛：延遲治理器會實測現況後「建議」品質調整，套不套用隨使用者；耳語模式自動偵測氣音說話並補上週期成分；分散推論把合成與翻譯丟給區域網路上有 GPU 的機器；多說話者自動分流按音高與亮度把同一段音訊裡的人聲分開，還附自我識別測試。全部預設關閉、不影響主轉換。同一份文件也把即時口譯語音標為實驗功能，目前只有辨識加英語朗讀的骨架，翻譯模型還沒實作、需要使用者自備。這些自我標註是判斷專案成熟度最可靠的線索：功能表列得長，不等於每一項都到位。
還有一個小細節可以看出作者的誠實程度：示範影片與軟體介面上顯示的延遲數字，都標註為「概算的緩衝延遲」，並明寫這些都不是端到端的實測值。從麥克風到對方耳機的實際等待，還要加上輸入緩衝、語句判定與輸出裝置的時間，UI 上的毫秒數只是其中一段。
開源不等於開箱即用：8GB 環場與不隨附的 AI 引擎
實際要跑起來，需求是這樣的：Windows 10/11 或 Linux（建議 Ubuntu 22.04 以上）、Python 3.12、約 8GB 的磁碟空間給環境與模型，另外要裝 FFmpeg、git 與 uv。發布包裡放的是原始碼樹與安裝器，推論環境加模型合計約 8GB，遠超過 GitHub 單一附件 2GB 的上限，因此不隨附，初次設定要跑一次 setup_release.py 把模型抓下來、建好兩套虛擬環境（圖形介面與 AI 推論各自獨立）。這種把介面與推論拆成兩個程序的設計，用意是讓畫面操作不因為模型忙碌而卡住，低階硬體上尤其有感。要把聲音送進 Discord 或 OBS，還需要 VB-CABLE 這類虛擬音訊裝置把輸出接給通話軟體。整體是「願意照文件逐步做就會通」的等級，跟下載一支可攜軟體雙擊就跑，仍有一段距離。
發布與更新的工程細節同樣有值得看的地方。Windows 執行檔版的更新走安裝器重刷：應用程式從 GitHub Releases 同時抓新版安裝器與對應的雜湊檔，SHA-256 驗過才免對話自動換版，缺檔或驗不過就停在原地，作者在文件裡把理由寫得很直白，不讓無法驗證的執行檔被靜默執行。這套機制其實是發布當天深夜的 v0.13.2 才第一次真正動起來：作者在該版說明自曝，先前用原始碼樹直接差替的更新路徑，在 Windows 鎖定執行中檔案的機制下從來不可能成功。安裝位置放在使用者目錄、不進 Program Files，為的就是免除每次更新都要跳出的管理員同意；模型與虛擬環境跨版本沿用，換版不必重抓那 8GB。同一版的重點還有把 Windows 版包成單一 46.3MB 的安裝器，形態上可以放上 BOOTH 這類日本下載銷售通路；但依發布文件的規劃，市集單檔上限 1.2GB，實測 torch 環境 2.2GB、MeanVC2 檢查點就超過 1.8GB，所以在獨立的 AI 包做出來之前，走市集的安裝器只能跑原聲直通與 DSP 兩種非 AI 模式。開源本體免費、市集通路反而功能殘缺，這個落差本身就是「AI 環境不隨附」最具體的註腳。
登錄聲音需要幾十秒到幾分鐘的參考音檔，這也是動手前最該想清楚的一步：登錄的素材最好是自己本人的聲音，或取得當事人同意的材料；拿別人的聲音去登錄，效果再好也是建立在別人的聲音權利上，直播或商業使用時的風險都在使用者這邊。
授權結構倒是乾淨。Koeiro 本體採 MIT，上游的 MeanVC2 與 LavaSR 都是 Apache-2.0，可選的 Kokoro-82M 語音合成模型也是 Apache 系授權，作者在發布文件裡逐項清點了要履行的事：研究用模型（約 70GB）不進發布包、帶非商業條款的 encodec 元件因為授權不相容直接排除、Qt 的 LGPL 義務以附文件處理。唯一的小瑕疵是 README 對 LavaSR 的致謝連結指向一個不存在的 GitHub 帳號，實際上游是 ysharma3501/LavaSR（六百多星、Apache-2.0 授權），照著致謝連結點過去會得到 404，找模型來源時要以實際倉庫為準。
哪些能核對、哪些只能信作者
整則故事可以分成兩層來看。能核對的層：倉庫與版本線、README 的需求與自我標註、上游模型的論文與授權、發布推文的逐字內容，這些都有公開文件可查，而且彼此對得上。只能信作者的層：15 歲與國三生的身分、N150 上主流程的流暢度、示範影片中的變聲效果，都是單方陳述，沒有第三方實測或身分查證可佐證。此外還有兩個會隨時間變動的變數：免費 AI 服務的額度條件隨時可能調整，而專案倉庫 10 月 13 日時才 31 個星標，後續維護節奏要看接下來幾週的更新頻率，這兩點也是觀察專案走向的指標。
想動手試的人，條件很清楚：有 Windows 或 Linux 電腦、願意花一次功夫建 8GB 環境、而且自己的使用情境（直播或通話）容許對應模式的延遲特性，那就照官方文件裝一遍，先用原聲模式確認音訊路徑通，再開 AI 轉換。只是想看趨勢的人，記住兩件事就夠：即時變聲的算力門檻已經降到不需要獨立顯示卡，而把研究模型變成產品的那段工程，成本正在被免費的 AI 開發工具快速吃掉。至於「近零 token 費」，那是開發者的帳單，不是使用者的。
