एक टेक्स्ट-टू-स्पीच MCP server बनाएँ जो आपके अपने कंप्यूटर पर चलने वाली निजी आवाज़ Claude को दे। जानें कि Kokoro का 82 million parameter मॉडल कैसे काम करता है, 60 लाइन का Python server पाएँ, उसे Claude Desktop और Claude Code से जोड़ें, और उसकी तुलना hosted voices से करें।
Claude 2,000 शब्दों का लेख एक मिनट से कम में लिख सकता है, और फिर आप उसे दस मिनट तक आँखें सिकोड़कर पढ़ते हैं। एक text to speech MCP server यह अंतर मिटा देता है। Claude एक tool कॉल करता है, आपकी मशीन पर चलने वाला एक छोटा voice मॉडल टेक्स्ट को ऑडियो में बदलता है, और नतीजा आपके स्पीकर पर चलने लगता है, इससे पहले कि आपकी चाय ठंडी हो।
Kokoro ही वह मॉडल है जो इसे व्यावहारिक बनाता है। इसमें सिर्फ़ 82 million parameters हैं, यह Apache 2.0 लाइसेंस के तहत आता है, और 24 kHz की स्पीच देता है जो कहीं बड़े सिस्टम के सामने भी टिकती है। कोई API बिल नहीं है, आपके ड्राफ़्ट किसी तीसरे पक्ष पर अपलोड नहीं होते, और कोई rate limit नहीं है। यह लेख दिखाता है कि हिस्से आपस में कैसे जुड़ते हैं, लगभग 60 लाइन का एक काम करने वाला Python server देता है, उसे Claude Desktop और Claude Code से जोड़ता है, और फिर ईमानदारी से देखता है कि hosted voice कब बेहतर विकल्प है।
Cloud voices बहुत अच्छी लगती हैं, लेकिन उनके साथ शर्तें जुड़ी होती हैं। हर request आपकी मशीन से बाहर जाती है, हर character का हिसाब रखा जाता है, और हर outage आपकी परेशानी बन जाता है। लोकल server इन सभी बातों को पलट देता है।
जब Claude कोई ड्राफ़्ट contract, निजी journal entry, या अप्रकाशित product spec ज़ोर से पढ़ता है, तो टेक्स्ट आपके MCP server से होकर गुज़रता है और उसके आगे कहीं नहीं जाता। Kokoro आपके CPU या GPU पर inference चलाता है, एक WAV फ़ाइल disk पर लिखता है, और निशान वहीं खत्म हो जाता है। एक ईमानदार चेतावनी: Claude को अब भी वह सब मिलता है जो आप टाइप करते हैं, इसलिए "लोकल" का मतलब voice step है, पूरी बातचीत नहीं।
Hosted voice APIs आम तौर पर प्रति character या प्रति मिनट शुल्क लेते हैं। एक podcast intro के लिए यह ठीक है, लेकिन ऐसे agent के लिए जो दिन भर हर जवाब narrate करता है, यह भारी पड़ता है। Kokoro के weights एक बार डाउनलोड हो जाने के बाद, हर अतिरिक्त वाक्य पर बस कुछ सेकंड की बिजली खर्च होती है। लंबे दस्तावेज़, बार-बार retake, और अलग-अलग voices के प्रयोग, इन सबकी लागत एक जैसी है: शून्य।
पहली launch पर मॉडल Hugging Face से डाउनलोड होता है। उसके बाद server हवाई जहाज़ में, तहखाने में, या किसी corporate firewall के पीछे भी काम करता है। लेटेन्सी आपके हार्डवेयर पर निर्भर करती है, network round trip पर नहीं, इसलिए रात 3 बजे और दोपहर 3 बजे व्यवहार एक जैसा रहता है।
Kokoro-82M एक open-weight text to speech मॉडल है, जो ISTFTNet vocoder के साथ StyleTTS 2 architecture पर बना है। Version 1.0 27 जनवरी 2025 को आया, उससे पहले 25 दिसंबर 2024 को एक पिछला release आया था। लेखकों ने कुछ सौ घंटे के permissively licensed और synthetic audio पर ट्रेनिंग की, और इसीलिए Apache 2.0 लाइसेंस व्यावसायिक प्रोजेक्ट्स के साथ सहज बैठता है।
| स्पेसिफिकेशन | मान |
|---|---|
| पैरामीटर | 82 मिलियन |
| लाइसेंस | Apache 2.0 |
| आउटपुट सैंपल रेट | 24 kHz |
| आर्किटेक्चर | ISTFTNet vocoder के साथ StyleTTS 2 |
| v1.0 में आवाज़ें | 54 |
| v1.0 में भाषाएँ | 8 |
| सिस्टम डिपेंडेंसी | espeak-ng |
💡 छोटा मतलब कमज़ोर नहीं। Kokoro का आकार ही इसे लैपटॉप पर चलने लायक बनाता है। सादे अंग्रेज़ी गद्य की narration में, एक आम सुनने में, इसे कई paid voices से अलग पहचानना मुश्किल है। हुक्म पर भावनाएँ दिखाने में, जैसे फुसफुसाना या हँसना, बड़े hosted मॉडल आगे निकल जाते हैं।
Voice के नाम एक पैटर्न पर चलते हैं: पहला अक्षर भाषा या accent है, दूसरा लिंग है। af_heart एक American English female voice है, और bm_george एक British English male voice है। पाइपलाइन को टेक्स्ट को सही तरीके से phonemes में बदलने के लिए एक मेल खाता lang_code भी चाहिए।
| Code | Language | Example voices |
|---|---|---|
a | American English | af_heart, am_michael |
b | British English | bf_emma, bm_george |
e | Spanish | ef_dora |
f | French | ff_siwis |
h | Hindi | hf_alpha |
i | Italian | if_sara |
j | Japanese | jf_alpha |
p | Brazilian Portuguese | pf_dora |
z | Mandarin Chinese | zf_xiaobei |
"8 languages" की गिनती में American और British English एक भाषा मानी जाती है। Japanese और Mandarin के लिए misaki family के अतिरिक्त packages साथ में इंस्टॉल हो जाते हैं, इसलिए उन्हें चालू करने से पहले project का README ज़रूर पढ़ें।
इस setup में सिर्फ़ तीन हिस्से हैं, और हर एक का काम सीमित है:
प्रवाह छोटा है। Claude speak कॉल करने का फ़ैसला करता है, टेक्स्ट के साथ एक voice नाम भेजता है, server ऑडियो synthesize करता है, उसे चलाता है, और फ़ाइल का path सादे टेक्स्ट में लौटाता है ताकि Claude आपको बता सके कि रिकॉर्डिंग कहाँ सेव हुई।
सब कुछ खुद लिखना ज़रूरी नहीं है। कई community projects पहले से Kokoro को MCP के लिए wrap कर चुके हैं:
तैयार servers एक दोपहर बचाते हैं। नीचे दिए तरीके से खुद लिखने में लगभग एक घंटा लगता है, लेकिन इससे टेक्स्ट की सफ़ाई, voice की डिफ़ॉल्ट सेटिंग और फ़ाइलें कहाँ जाएँ, इन सब पर आपका पूरा नियंत्रण रहता है।
एक virtual environment इस्तेमाल करें ताकि PyTorch stack आपके system Python से दूर रहे। Python 3.10, 3.11 या 3.12 सुरक्षित विकल्प है।
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install "kokoro>=0.9.2" soundfile sounddevice numpy "mcp[cli]"
Kokoro को आपके system पर espeak-ng phonemizer भी चाहिए:
brew install espeak-ngsudo apt-get install espeak-ng
इसे kokoro_server.py के नाम से सेव करें। यह दो tools दिखाती है, startup पर English pipeline लोड करती है, टेक्स्ट से markdown साफ़ करती है, और Claude को रोके बिना ऑडियो चलाती है।
import os
import re
import time
from pathlib import Path
import numpy as np
import sounddevice as sd
import soundfile as sf
from kokoro import KPipeline
from mcp.server.fastmcp import FastMCP
SAMPLE_RATE = 24000
OUT_DIR = Path(os.environ.get("KOKORO_OUT", Path.home() / "kokoro_audio"))
OUT_DIR.mkdir(parents=True, exist_ok=True)
mcp = FastMCP("kokoro-tts")
pipelines = {}
def get_pipeline(lang_code: str) -> KPipeline:
if lang_code not in pipelines:
pipelines[lang_code] = KPipeline(lang_code=lang_code)
return pipelines[lang_code]
def clean_text(text: str) -> str:
text = re.sub(r"`{3}.*?`{3}", " code block omitted. ", text, flags=re.S)
text = re.sub(r"https?://\S+", "link", text)
text = re.sub(r"[#*_`>]+", "", text)
return re.sub(r"[ \t]+", " ", text).strip()
@mcp.tool()
def speak(text: str, voice: str = "af_heart", speed: float = 1.0,
lang_code: str = "a", play: bool = True) -> str:
"""Read text aloud with Kokoro. Returns the path of the saved WAV file."""
pipeline = get_pipeline(lang_code)
parts = []
for _, _, audio in pipeline(clean_text(text), voice=voice, speed=speed):
if audio is not None:
parts.append(audio.detach().cpu().numpy())
if not parts:
return "No audio was produced. Check the text and the voice name."
wave = np.concatenate(parts)
path = OUT_DIR / f"speech_{time.strftime('%Y%m%d_%H%M%S')}.wav"
sf.write(path, wave, SAMPLE_RATE)
if play:
sd.play(wave, SAMPLE_RATE)
return f"Saved {len(wave) / SAMPLE_RATE:.1f}s of audio to {path}"
@mcp.tool()
def list_voices() -> str:
"""List a few Kokoro voices and the lang_code each one needs."""
return (
"a: af_heart, af_bella, am_michael | b: bf_emma, bm_george | "
"e: ef_dora | f: ff_siwis | j: jf_alpha"
)
if __name__ == "__main__":
get_pipeline("a")
mcp.run()
यहाँ तीन design चुनाव मायने रखते हैं। Pipeline हर भाषा के हिसाब से cache होती है, इसलिए English और Spanish के बीच बदलने पर कुछ भी दोबारा लोड नहीं होता। Playback sd.play इस्तेमाल करता है, जो तुरंत लौट आता है, इसलिए Claude को ऑडियो खत्म होने का इंतज़ार नहीं करना पड़ता। और फ़ाइल में कहीं भी print कॉल नहीं होता, क्योंकि stdio server पर stdout protocol का है। एक भटका हुआ print message stream को बिगाड़ देता है।
Claude Desktop के लिए claude_desktop_config.json खोलें। macOS पर यह ~/Library/Application Support/Claude/ में रहती है, और Windows पर %APPDATA%\Claude\ में। Command को अपने virtual environment के भीतर के interpreter की ओर इंगित करें, किसी साधारण python की ओर नहीं।
{
"mcpServers": {
"kokoro-tts": {
"command": "/absolute/path/to/.venv/bin/python",
"args": ["/absolute/path/to/kokoro_server.py"]
}
}
}
Claude Code के लिए, एक command वही काम करता है:
claude mcp add kokoro-tts -- /absolute/path/to/.venv/bin/python /absolute/path/to/kokoro_server.py
Client को restart करें, फिर एक सादे वाक्य से टेस्ट करें: "speak tool इस्तेमाल करके bm_george voice में hello कहिए।" अगर आपको एक ब्रिटिश सज्जन अभिवादन करते सुनाई दें, तो पूरी chain काम कर रही है।
जो टेक्स्ट स्क्रीन पर अच्छा पढ़ता है, वह अक्सर ज़ोर से सुनने में अटपटा लगता है। Claude को एक स्थायी निर्देश दें, ताकि वह पहले ड्राफ़्ट से ही सुनने के लिए लिखे:
जब मैं आपसे कुछ ज़ोर से पढ़ने को कहूँ, तो speak tool कॉल करें। कान के लिए लिखें: छोटे वाक्य, बुलेट चिह्न नहीं, URLs नहीं, और जब संख्याएँ या acronyms बोलने में कठिन हों, तो उन्हें पूरा लिखें।
Server में clean_text function आपका safety net है, लेकिन वह ऐसे वाक्य को नहीं बचा सकता जिसमें स्वाभाविक विराम न हों। कुछ आदतें एक साथ output बेहतर बना देती हैं:
Voice tool उन पलों में अपनी जगह बनाता है जब आपकी आँखें या हाथ व्यस्त हों:
Kokoro एक आम लैपटॉप CPU पर चलता है, और GPU या Apple Silicon इसे और तेज़ कर देते हैं। किसी और के benchmark पर भरोसा करने के बजाय, अपना टेस्ट खुद चलाएँ: 200 शब्दों का एक paragraph भेजें और render का समय playback के समय से तुलना करें। अगर render पहले खत्म हो जाए, तो आपके पास real-time की गुंजाइश है और लंबे दस्तावेज़ भी तुरंत लगेंगे।
दो आदतें अनुभव को सहज रखती हैं। Pipeline को startup पर लोड करें, जैसा ऊपर का server करता है, क्योंकि पहला synthesis हमेशा सबसे धीमा होता है। और मॉडल को resident रखें: MCP client calls के बीच आपके server process को ज़िंदा रखता है, इसलिए weights memory में बने रहते हैं।
💡 टिप: Register करने से पहले server को एक बार terminal से चलाएँ। कोई भी लापता dependency client में एक अस्पष्ट "server failed" बैनर के बजाय पढ़ने योग्य Python error के रूप में दिख जाएगी।
| लक्षण | संभावित कारण | हल |
|---|---|---|
| क्लाइंट बताता है कि सर्वर शुरू नहीं हुआ | कॉन्फ़िग गलत Python की ओर इशारा करता है | वर्चुअल एनवायरनमेंट इंटरप्रेटर का एब्सोल्यूट पाथ इस्तेमाल करें |
| टूल कॉल अटक जाता है, फिर एरर आता है | किसी print कॉल ने stdout पर लिखा | print हटाएँ और इसके बजाय stderr पर लॉग करें |
| फ़ोनीम या espeak एरर | espeak-ng PATH में नहीं है | इसे इंस्टॉल करें, फिर नया टर्मिनल खोलें |
| फ़ाइल सेव हुई लेकिन आवाज़ नहीं आई | ऑडियो आउटपुट डिवाइस या PortAudio की समस्या | Linux पर PortAudio इंस्टॉल करें, या sounddevice में कोई डिवाइस चुनें |
| नाम अजीब तरह से बोले जाते हैं | फ़ोनीमाइज़र ने गलत अंदाज़ा लगाया | नाम को वैसे लिखें जैसा वह सुनाई देता है |
लोकल हमेशा जवाब नहीं है। Kokoro निजी, दोहराने योग्य, और मुफ़्त narration के लिए बेहतरीन है, लेकिन कुछ कामों को 54 voices से ज़्यादा की ज़रूरत होती है।
जब आपको voice cloning, व्यापक भाषा समर्थन, या बारीक भावनात्मक नियंत्रण चाहिए, तब hosted मॉडल की ओर जाएँ। Picasso IA के text to speech संग्रह में कई विकल्प हैं, सभी एक क्लिक की दूरी पर:
| पहलू | लोकल Kokoro | होस्टेड आवाज़ें |
|---|---|---|
| प्रति वाक्य लागत | सिर्फ़ बिजली | इस्तेमाल के हिसाब से या प्लान आधारित |
| टेक्स्ट आपकी मशीन से बाहर जाता है | नहीं (वॉइस स्टेप में) | हाँ |
| सेटअप का समय | लगभग एक घंटा | कुछ मिनट |
| वॉइस क्लोनिंग | नहीं | हाँ, कई मॉडल पर |
| भाषाओं की रेंज | 8 भाषाएँ | कुछ मॉडल पर 70+ तक |
| ऑफ़लाइन काम करता है | हाँ | नहीं |
एक समझदार बँटवारा: रोज़ के पढ़ने, drafts, और निजी किसी भी चीज़ के लिए Kokoro इस्तेमाल करें, और किसी video, podcast, या product demo के अंतिम take के लिए hosted voice पर जाएँ।
Server सिर्फ़ बोलता है। वह क्या बोलता है, यह उन शब्दों को लिखने वाले मॉडल पर निर्भर करता है। लंबे drafts और सावधानी से rewriting के लिए Claude Sonnet 5 और Claude Opus 4.7 मज़बूत विकल्प हैं, जबकि Claude 4.5 Haiku तेज़ बोले गए जवाबों को चुस्त रखता है। काम के हिसाब से मॉडल चुनें, फिर delivery Kokoro को सौंप दें।
अब आपके पास Claude के लिए एक निजी आवाज़ है, जिसकी हर वाक्य पर कोई लागत नहीं है। अगला कदम है अपने प्रोजेक्ट्स को एक चेहरा देना। जिस दिन आप यह server पूरा करें, उसी दिन आप Picasso IA पर अपने ऑडियो के साथ लगाने के लिए thumbnails, article headers, और scene art बना सकते हैं।
फ़ोटोरियलिस्टिक दृश्यों के लिए Seedream 4.5 आज़माएँ, या जब आपको बारीक detail और साफ़ composition चाहिए, तब Flux 2 Pro चुनें। जब किसी प्रोजेक्ट को स्टूडियो voice चाहिए, तो अपने लोकल Kokoro setup के साथ Speech 2.8 HD को भी परखें और नतीजों की तुलना कान से करें।
Picasso IA खोलें, एक prompt लिखें, और देखें कि क्या मिलता है। फिर कैमरा कोण बदलकर दूसरा prompt आज़माएँ। खुलकर प्रयोग करें, क्योंकि सबसे अच्छे prompt कोशिश करने, सुनने और समायोजित करने से ही आते हैं।
अपनी भाषा चुनें
