लोकल TTS, आपके iPhone पर चलता हुआ

लोकल टेक्स्ट टू स्पीच (लोकल TTS) के लिए Sandbook iPhone और iPad का ऐप है: Kokoro टेक्स्ट-टू-स्पीच मॉडल डिवाइस पर ही चलता है, इसलिए आपका टेक्स्ट किसी सर्वर पर भेजे बिना आवाज़ में बदलता है। छह भाषाओं में 41 आवाज़ें, एयरप्लेन मोड में भी, मुफ़्त, बिना अकाउंट और बिना किसी मीटर के।

App Store से मुफ़्त डाउनलोड करें

iOS 18.2 या बाद का वर्शन · iPhone 12 या बाद का मॉडल और iPad · बिना अकाउंट

संक्षेप में

iPhone के लिए अच्छा लोकल TTS ऐप कौन-सा है?

Sandbook Apple MLX के ज़रिए iPhone के GPU पर Kokoro-82M टेक्स्ट-टू-स्पीच मॉडल चलाता है, इसलिए किताबें, PDF, वेब पेज, कैमरा स्कैन और पेस्ट किया टेक्स्ट बिना कोई टेक्स्ट सर्वर पर भेजे पढ़कर सुनाए जाते हैं। इसमें छह भाषाओं में 41 आवाज़ें हैं, बोलते समय हर शब्द हाइलाइट होता है, और यह एयरप्लेन मोड में चलता है। यह मुफ़्त है, बिना इन-ऐप खरीदारी, बिना अकाउंट और बिना अक्षरों की सीमा के, और इसके लिए iPhone 12 या बाद के मॉडल, या A14 या M1 या बाद की चिप वाले iPad पर iOS 18.2 चाहिए।

आख़िरी जाँच: 29 सितंबर 2026

“लोकल TTS” का मतलब क्या है

TTS यानी टेक्स्ट टू स्पीच: ऐसा सॉफ़्टवेयर जो लिखे हुए शब्दों को बोली जाने वाली आवाज़ में बदलता है। लोकल TTS का मतलब है कि यह बदलने वाला मॉडल आपके अपने डिवाइस पर चलता है। क्लाउड TTS का मतलब है कि वह किसी और के कंप्यूटर पर चलता है: आपका टेक्स्ट नेटवर्क पर भेजा जाता है, सर्वर ऑडियो बनाता है, और ऑडियो वापस भेजा जाता है।

दोनों आवाज़ बनाते हैं, इसलिए बाहर से दोनों एक जैसे दिख सकते हैं। फ़र्क इस बात का है कि काम कहाँ होता है, और इससे तीन बातें निकलती हैं। क्लाउड TTS में टेक्स्ट को सफ़र करना पड़ता है, आवाज़ बनते समय इंटरनेट ज़रूरी है, और हर वाक्य पर सेवा देने वाले का सर्वर-समय ख़र्च होता है — इसीलिए क्लाउड रीडर अक्षर, मिनट या घंटे गिनते हैं। लोकल TTS में टेक्स्ट जहाँ है वहीं रहता है, इंटरनेट से कोई फ़र्क नहीं पड़ता, और वसूलने को कोई चलता बिल नहीं है।

कुछ साल पहले लोकल का मतलब था सपाट, रोबोट जैसी सिस्टम आवाज़ें। यह तब बदला जब न्यूरल स्पीच मॉडल इतने छोटे हो गए कि फ़ोन में समा सकें, और इतने तेज़ कि वहाँ रियल-टाइम में चल सकें। अब लोकल TTS गुणवत्ता के बदले निजता का नहीं, विविधता के बदले आज़ादी का सौदा है।

फ़ोन पर लोकल TTS क्यों मायने रखता है

फ़ोन पर पढ़ना सबसे अनपेक्षित जगहों पर होता है, और ठीक वहीं सर्वर पर निर्भरता सबसे ज़्यादा खलती है।

बनावट से ही निजता। आपकी किताबें, PDF और स्कैन किए पेज अपलोड नहीं होते, क्योंकि कहीं और उनकी ज़रूरत ही नहीं है। आपकी किताबें, आपका टेक्स्ट और आवाज़ें आपके डिवाइस पर ही रहती हैं। Sandbook आप जो पढ़ते हैं उसे कभी किसी सर्वर पर नहीं भेजता, और कोई अकाउंट नहीं है। पूरी बात निजी टेक्स्ट टू स्पीच वाले पेज पर है।
एयरप्लेन मोड, सुरंगें, कमज़ोर सिग्नल। डिवाइस पर बनी आवाज़ को पता ही नहीं चलता कि नेटवर्क चला गया। उड़ान में खोला गया अध्याय वैसा ही सुनाई देता है जैसा घर पर। इस पर और जानकारी ऑफ़लाइन टेक्स्ट टू स्पीच में है।
प्रति अक्षर कोई मीटर नहीं। जब आवाज़ बनाने में कुछ ख़र्च नहीं होता, तो उसे राशन करने की कोई वजह नहीं: न रोज़ का कोटा, न महीने के घंटे, न प्रीमियम आवाज़ों का अलग दर्जा।
कोई कतार नहीं। न अपलोड, न रेंडरिंग का काम, न फ़ाइल के लौटने का इंतज़ार। प्ले दबाइए, और पहला वाक्य बनते ही सुनाई देने लगता है।

Sandbook लोकल TTS कैसे करता है

इंजन Kokoro-82M है, 82 मिलियन पैरामीटर वाला ओपन-वेट न्यूरल टेक्स्ट-टू-स्पीच मॉडल। डाउनलोड लगभग 276 MB का है, जिसमें मॉडल और सभी 41 आवाज़ें शामिल हैं, इसलिए पहली बार खोलने पर कुछ नहीं लाया जाता, और न कोई API key है, न एक्टिवेशन।

Sandbook यह मॉडल Apple MLX के ज़रिए डिवाइस के GPU पर चलाता है — MLX Apple की अपनी चिप्स पर मशीन लर्निंग के लिए बना framework है। टेक्स्ट वाक्यों में बाँटा जाता है और आपके सुनते समय हर वाक्य 24 kHz पर बनता है, इसलिए प्लेबैक पूरे अध्याय के बाद नहीं, पहले वाक्य के बाद ही शुरू हो जाता है। गति 0.5× से 2.5× तक है, और बोलते समय हर शब्द हाइलाइट होता है।

यही Kokoro मॉडल डेस्कटॉप ब्राउज़र में भी लोकल चलता है: Kokoro TTS को ब्राउज़र टैब में आज़माएँ, जहाँ आवाज़ आपके कंप्यूटर पर ही बनती है और कुछ भी अपलोड नहीं होता।

छह भाषाओं में 41 आवाज़ें हैं: 28 अंग्रेज़ी में (20 अमेरिकी, 8 ब्रिटिश), 3 स्पेनिश में, 1 फ़्रेंच में, 2 इतालवी में, 3 ब्राज़ीलियाई पुर्तगाली में और 4 हिन्दी में। ये EPUB, PDF, TXT, RTF, Markdown और HTML फ़ाइलें, वेब पेज, कैमरा स्कैन और फ़ोटो (जिनकी पहचान डिवाइस पर होती है), और टाइप या पेस्ट किया टेक्स्ट पढ़ती हैं। रीडर टैब का टेक्स्ट M4A फ़ाइल के रूप में एक्सपोर्ट किया जा सकता है।

लोकल TTS की क़ीमत, ईमानदारी से

मॉडल को फ़ोन पर चलाना एक ऐसा चुनाव है जिसका बिल आता है, और वह इन चीज़ों में चुकाया जाता है:

बड़ा डाउनलोड। डाउनलोड लगभग 276 MB का है, जिसमें मॉडल और सभी 41 आवाज़ें शामिल हैं। क्लाउड ऐप छोटे होते हैं क्योंकि उनकी आवाज़ें कहीं और रहती हैं।
नया डिवाइस। Sandbook के लिए iPhone 12 या बाद के मॉडल, या A14 या M1 या बाद की चिप वाले iPad पर iOS 18.2 चाहिए। अगर आपका iPhone पुराना है, तो पुराने iPhone पर टेक्स्ट टू स्पीच देखें।
स्क्रीन लॉक होने पर रियल-टाइम पढ़ना रुक जाता है। मॉडल GPU इस्तेमाल करता है, और ऐप के सामने से हटते ही iOS वह काम रोक देता है। स्क्रीन बंद रखकर सुनने के लिए पहले अध्याय तैयार करें, फिर फ़ोन लॉक करके उसे चलाएँ।
क्लाउड सेवाओं से कम भाषाएँ। आवाज़ों की छह भाषाएँ, दर्जनों नहीं। सर्वर ऐसा कैटलॉग रख सकता है जिसके लिए किसी फ़ोन में जगह नहीं।

कैसे जाँचें कि यह सच में लोकल है

कोई भी ऐप कह सकता है कि वह डिवाइस पर चलता है। जाँच में एक मिनट लगता है, और किसी पर भरोसा करने की ज़रूरत नहीं:

ऐप में कोई किताब, PDF या पेस्ट किया टेक्स्ट खोलें।
एयरप्लेन मोड चालू करें, और Wi-Fi भी बंद रखें।
प्ले दबाएँ और पूरा एक अध्याय सुनें, फिर कोई ऐसी आवाज़ आज़माएँ जो आपने अब तक इस्तेमाल नहीं की।

सर्वर पर बनी आवाज़ यह जाँच पार नहीं कर सकती। फ़ोन पर बनी आवाज़ को इसका पता भी नहीं चलता। Sandbook में सिर्फ़ नया वेब पेज जोड़ना ही इंटरनेट का इंतज़ार करता है, क्योंकि पेज को उसी साइट से लाना पड़ता है जहाँ वह है। कैमरे से छपा पेज स्कैन करना भी एयरप्लेन मोड में चलता है, क्योंकि टेक्स्ट पहचान भी डिवाइस पर ही होती है।

लोकल TTS के बारे में सवाल

क्या लोकल TTS क्लाउड TTS जितना अच्छा है?

किताब पढ़कर सुनाने के लिए, यह फ़ासला पहले से कहीं कम रह गया है। Sandbook iPhone के GPU पर 24 kHz पर Kokoro-82M चलाता है, जो एक न्यूरल टेक्स्ट-टू-स्पीच मॉडल है, और यह उन पुरानी रोबोट जैसी सिस्टम आवाज़ों से बिल्कुल अलग दर्जे की आवाज़ है जिन्हें कभी डिवाइस पर बनी आवाज़ समझा जाता था। क्लाउड TTS अब भी विविधता में आगे है: सर्वर दर्जनों भाषाओं में हज़ारों आवाज़ें रख सकता है, फ़ोन नहीं। गुणवत्ता आप ख़ुद परख सकते हैं, क्योंकि Sandbook की सभी 41 आवाज़ों का नमूना आवाज़ों वाले पेज पर है।

क्या लोकल TTS ऑफ़लाइन काम करता है?

हाँ, यही तो इसे लोकल बनाता है। Sandbook में मॉडल और सभी 41 आवाज़ें ऐप के अंदर आती हैं, इसलिए EPUB, PDF, TXT, RTF, Markdown और HTML फ़ाइलें, कैमरा स्कैन और फ़ोटो, और टाइप या पेस्ट किया टेक्स्ट, सब एयरप्लेन मोड में पढ़कर सुनाए जाते हैं। इंटरनेट की ज़रूरत सिर्फ़ नया वेब पेज जोड़ने में है, क्योंकि पढ़ने से पहले पेज को लाना पड़ता है; सेव होने के बाद वह भी ऑफ़लाइन पढ़ा जाता है।

कौन-से iPhone लोकल TTS चला सकते हैं?

Sandbook के लिए iPhone 12 या उसके बाद का मॉडल, या A14 या M1 या उसके बाद की चिप वाला iPad, और iOS 18.2 या बाद का वर्शन ज़रूरी है। यह न्यूनतम सीमा मॉडल तय करता है, कोई कारोबारी फ़ैसला नहीं: रियल-टाइम में न्यूरल आवाज़ बनाने के लिए इन चिप्स का GPU और मेमोरी चाहिए। पुराने iPhone अब भी iOS में बना टेक्स्ट टू स्पीच इस्तेमाल कर सकते हैं, जो हर सपोर्टेड डिवाइस पर चलता है।

क्या Sandbook का लोकल TTS मुफ़्त है?

हाँ, पूरी तरह। न कोई इन-ऐप खरीदारी, न सब्सक्रिप्शन, न विज्ञापन, न अकाउंट, और न अक्षरों या मिनटों की कोई सीमा। क्योंकि आवाज़ आपके अपने डिवाइस पर बनती है, एक अध्याय पढ़वाने में किसी का कोई ख़र्च नहीं होता, इसलिए गिनने को कुछ है ही नहीं। छह भाषाओं की सभी 41 आवाज़ें पहली बार खोलते ही उपलब्ध हैं।

लोकल TTS, जिसे आप एयरप्लेन मोड में परख सकते हैं

इंस्टॉल करें, सारे रेडियो बंद करें, और पूरा एक अध्याय पढ़वाएँ। सब कुछ आपके डिवाइस पर रहता है। मुफ़्त, बिना अकाउंट, आपके iPhone पर बनने वाली 41 आवाज़ें।