Leitfaden für lokale KI-Sprachausgabe

Brauche ich das?

„Lokal“ bedeutet eines von zwei Dingen: eine in SSN integrierte Stimme, die in deinem Browser läuft, oder ein Sprachserver, den du selbst betreibst.

Integrierte Stimmen (keine Installation nötig)

Diese laufen innerhalb von SSN in deinem Browser. Kein Server, Docker oder API-Schlüssel nötig.

In 4 Schritten einrichten

1. Hinzufügen &speech=en-US&ttsprovider=kokoro an deine dock.html Link. (Oder piper, kitten, espeak.)
2. Füge diesen Link in OBS hinzu als Browserquelle. Diese Seite erzeugt den Ton.
3. Aktiviere in den Eigenschaften Audio über OBS steuern (Control audio via OBS).
4. Sende eine kurze Testnachricht im Chat, zum Beispiel Testing local TTS.

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=kokoro

Stimmen, Geschwindigkeit und andere Sprachen: Anbietereinstellungen. Lieber klicken? Nutze die Einrichtungsleitfaden.

Deinen eigenen TTS-Server verbinden

Ein Server bietet mehr Stimmen, Stimmenklonen oder eine Stimme für mehrere Werkzeuge. SSN kommuniziert damit wie mit einem OpenAI-kompatibel Sprachserver. Kein API-Schlüssel nötig.

1. Starte deinen Server. Kokoro-FastAPI ist am einfachsten.
2. Öffne in SSN die Liste der TTS-Anbieter und wähle Eigener / lokaler TTS-Endpunkt.
3. In Benutzerdefinierter / lokaler API-Endpunkt, gib die Serveradresse ein, zum Beispiel http://127.0.0.1:8880/v1/audio/speech.
4. Lass das Feld für den API-Schlüssel leer.
5. Wähle eine Stimme, die dein Server kennt: af_bella für Kokoro, nova für openedai-speech.
6. Kopiere den Link in OBS und sende eine Testnachricht im Chat.

Diese benötigen Docker Desktop installiert und gestartet. Für den persönlichen Gebrauch ist es kostenlos.

Die localhost-Regel

Das ist der häufigste Fehler.

Prüfe auch, ob die Firewall den Port erlaubt und Docker ihn veröffentlicht hat (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI führt Kokoro als lokalen Server aus. Funktioniert mit CPU; keine GPU nötig.

1. Öffne ein Terminal (Eingabeaufforderung, PowerShell oder Terminal) und führe einen dieser Befehle aus:

   docker run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu:v0.2.2

   NVIDIA-GPU (schneller):

   docker run --gpus all -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-gpu:v0.2.0post4

   Beim ersten Start werden einmalig etwa 1,5–2 GB heruntergeladen.
2. Öffnen http://localhost:8880/web/. Eine Seite zum Testen von Stimmen sollte erscheinen (über 67 verfügbar).
3. Verwende diesen Link (ändere die Adresse, wenn der Server auf einem anderen PC läuft):

   dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://127.0.0.1:8880/v1/audio/speech&voiceopenai=af_bella

Automatisch mit Docker starten:

docker run -d --restart unless-stopped -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu:v0.2.2

openedai-speech (Piper und XTTS-v2)

Option A: Leichter Piper-Server (CPU)

Unter 1 GB. Kein Stimmenklonen.

docker run -d --restart unless-stopped -p 8000:8000 ghcr.io/matatonic/openedai-speech-min

Stimmen: alloy, echo, fable, onyx, nova, shimmer.

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=openai&openaiendpoint=http://localhost:8000/v1/audio/speech&voiceopenai=nova

cd openedai-speech
$env:Path = "$PWD\.venv\Scripts;$env:Path"
.\.venv\Scripts\python.exe speech.py --xtts_device none -H 127.0.0.1 -P 8000

Option B: Stimmenklonen mit XTTS-v2 (GPU)

Benötigt den vollständigen Server, nicht openedai-speech-min. Plane etwa 4 GB GPU-Speicher ein. CPU funktioniert, ist aber langsam.

Die lokale TTS-Bridge

Ein kleines SSN-Hilfsprogramm. Es nimmt SSN-Anfragen entgegen, leitet sie an den Sprachserver weiter und gibt Audio in browsergeeigneter Form zurück. Benötigt Node.js.

1. Teile der Bridge mit, wo dein Server läuft. PowerShell:

   $env:SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech"

   Server auf einem anderen PC? Verwende dessen lokale IP-Adresse, zum Beispiel http://192.168.x.x:8880/v1/audio/speech.
2. Führe im SSN-Ordner aus node scripts/local-tts-bridge.cjs. Lass es laufen.
3. Richte SSN auf die Bridge aus:

   dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://127.0.0.1:8124/v1/audio/speech&voiceopenai=af_bella

macOS/Linux, in einer Zeile: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs. Innerhalb des local-tts-bridge Ordner, node server.cjs macht dasselbe. Ändere den Port mit SSN_TTS_BRIDGE_PORT=8125. Alle Optionen: README der Brücke.

$env:SSN_TTS_REF_AUDIO_PATH="C:\voices\speaker.wav"
$env:SSN_TTS_REF_TEXT="Reference audio transcript here."
$env:SSN_TTS_TARGET="http://127.0.0.1:9880/tts"
node scripts/local-tts-bridge.cjs --mode gptsovits

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://127.0.0.1:8124/v1/audio/speech&openaiformat=wav

$env:SSN_TTS_TARGET="http://127.0.0.1:7860/synthesize_speech/"
node scripts/local-tts-bridge.cjs --mode f5

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://127.0.0.1:8124/v1/audio/speech&voiceopenai=default_en&openaiformat=wav

Stimmenklonen

Klonen ist keine SSN-Einstellung, sondern eine Funktion einiger Sprachserver. SSN sendet den Chattext; der Server wählt die geklonte Stimme.

1. Nimm einen sauberen Clip mit einer einzelnen Stimme auf, meist 3–30 Sekunden lang und mit wenig Hintergrundgeräuschen.
2. Manche Server brauchen zusätzlich den genauen Wortlaut des Clips.
3. Der Server erstellt aus dem Clip ein Stimmprofil.
4. SSN sendet den Chattext mit ttsprovider=customtts.
5. Der Server gibt Audio zurück (meist WAV oder MP3), das SSN abspielt.

Mit höchstens 6 GB GPU-Speicher solltest du mit kleinen Modellen auf OpenAI-kompatiblen Servern beginnen. Größere Modelle funktionieren ebenfalls, wenn sie extern gehostet werden.

Das integrierte Kokoro und Kokoro-FastAPI klonen keine Stimmen.

Welchen Computer brauche ich?

Grobe Richtwerte, keine Zusagen. Modellgröße, Textlänge und andere Apps beeinflussen den Speicherbedarf.

Den Ton in OBS bringen

OBS-Browserquelle (empfohlen)

Funktioniert mit integrierten Stimmen und deinem eigenen Server.

1. Füge hinzu Browserquelle mit deinem dock.html TTS-Link.
2. Aktiviere Audio über OBS steuern (Control audio via OBS).
3. Klicke auf OK. TTS erscheint jetzt im OBS-Mixer.

SSN-Desktop-App

Die Desktop-App nutzt dieselben Linkeinstellungen. Der Ton kommt aber aus der App, nicht aus OBS. Erfasse ihn mit Desktop-Audio oder Audioeingabeaufnahme. Leite die App an ein virtuelles Kabel, um TTS von anderen Tönen zu trennen: Schritte zum Audio-Routing.

Direktvergleich

Probleme beheben

Für Serverentwickler

So kommuniziert SSN mit einem eigenen Server. Das brauchst du nur, wenn du einen entwickelst oder Fehler darin suchst.

chat text -> SSN -> your endpoint (or the bridge) -> TTS server -> audio -> SSN plays it

POST /v1/audio/speech
{
  "model": "tts-1",
  "input": "Chat message text",
  "voice": "af_bella",
  "response_format": "mp3",
  "speed": 1.0
}

Kokoro-FastAPI:  dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://localhost:8880/v1/audio/speech&voiceopenai=af_bella&openaispeed=1.1
openedai-speech: dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://localhost:8000/v1/audio/speech&voiceopenai=nova
kokoro-web:      dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://localhost:3000/api/v1/audio/speech&voiceopenai=af_bella