Guía de TTS local con IA

¿Necesito esto?

«Local» significa una de dos cosas: una voz integrada en SSN que se ejecuta en el navegador, o un servidor de voz que ejecutas por tu cuenta.

Voces integradas (sin instalar nada)

Se ejecutan dentro de SSN en tu navegador. Sin servidor, Docker ni clave API.

Configúralo en 4 pasos

1. Añade &speech=en-US&ttsprovider=kokoro a tu dock.html (enlace). (O piper, kitten, espeak.)
2. Añade ese enlace a OBS como Fuente de navegador (Browser Source). Esa es la página que produce el sonido.
3. En sus propiedades, activa Controlar audio vía OBS (Control audio via OBS).
4. Envía un mensaje de prueba corto al chat, como Testing local TTS.

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

Voces, velocidad y otros idiomas: ajustes del proveedor. ¿Prefieres hacer clic? Usa la guía de configuración.

Conecta tu propio servidor TTS

Un servidor ofrece más voces, clonación o una voz reutilizable entre herramientas. SSN se comunica con él como con un servidor de voz Compatible con OpenAI . No hace falta clave API.

1. Inicia tu servidor. Kokoro-FastAPI es la opción más sencilla.
2. En SSN, abre la lista de proveedores TTS y elige Endpoint TTS personalizado / local.
3. En Endpoint API personalizado/local, introduce la dirección del servidor, como http://127.0.0.1:8880/v1/audio/speech.
4. Deja vacía la clave API.
5. Elige una voz que tu servidor reconozca: af_bella para Kokoro, nova para openedai-speech.
6. Copia el enlace en OBS y envía un mensaje de prueba.

Necesitan Docker Desktop instalado y en ejecución. Es gratuito para uso personal.

La regla de localhost

Este es el error más común.

Comprueba también que el firewall permita el puerto y que Docker lo haya publicado (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI ejecuta Kokoro como servidor local. Funciona con CPU; no necesita GPU.

1. Abre un terminal (Símbolo del sistema, PowerShell o Terminal) y ejecuta una de estas opciones:

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

   GPU NVIDIA (más rápido):

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

   La primera ejecución descarga unos 1,5–2 GB, una sola vez.
2. Abrir http://localhost:8880/web/. Debería aparecer una página para probar voces (más de 67 disponibles).
3. Usa este enlace (cambia la dirección si el servidor está en otro PC):

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

Inícialo automáticamente con Docker:

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

openedai-speech (Piper y XTTS-v2)

Opción A: servidor ligero de Piper (CPU)

Menos de 1 GB. Sin clonación de voz.

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

Voces: 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

Opción B: clonación de voz con XTTS-v2 (GPU)

Necesita el servidor completo, no openedai-speech-min. Prevé unos 4 GB de memoria GPU. La CPU funciona, pero es lenta.

El puente local de TTS

Un pequeño auxiliar de SSN. Recibe la solicitud de SSN, la pasa al servidor de voz y devuelve el audio de una forma que aceptan los navegadores. Necesita Node.js.

1. Indica al puente dónde está tu servidor. PowerShell:

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

   ¿El servidor está en otro PC? Usa su IP local, como http://192.168.x.x:8880/v1/audio/speech.
2. En la carpeta de SSN, ejecuta node scripts/local-tts-bridge.cjs. Déjalo en ejecución.
3. Conecta SSN al puente:

   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, en una sola línea: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs. Dentro de la carpeta local-tts-bridge , node server.cjs hace lo mismo. Cambia el puerto con SSN_TTS_BRIDGE_PORT=8125. Todas las opciones: README del puente.

$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

Clonación de voz

La clonación no es un ajuste de SSN, sino una función de algunos servidores de voz. SSN envía el texto del chat; el servidor elige la voz clonada.

1. Graba un clip limpio de una sola persona hablando, normalmente de 3–30 segundos, con poco ruido de fondo.
2. Algunos servidores también necesitan las palabras exactas pronunciadas en el clip.
3. El servidor convierte el clip en un perfil de voz.
4. SSN envía el texto del chat con ttsprovider=customtts.
5. El servidor devuelve audio (normalmente WAV o MP3) y SSN lo reproduce.

Con 6 GB de memoria de GPU o menos, empieza por modelos pequeños en servidores compatibles con OpenAI. Los modelos más grandes también funcionan si se alojan en otro equipo.

Kokoro integrado y Kokoro-FastAPI no clonan voces.

¿Qué ordenador necesito?

Son orientaciones iniciales, no garantías. El tamaño del modelo, la longitud del texto y las demás aplicaciones influyen en el uso de memoria.

Lleva el audio a OBS

Fuente de navegador de OBS (recomendada)

Funciona con las voces integradas y con tu propio servidor.

1. Añade un Fuente de navegador (Browser Source) con tu enlace dock.html de TTS.
2. Activa Controlar audio vía OBS (Control audio via OBS).
3. Haz clic en Aceptar (OK). TTS ya aparece en el mezclador de OBS.

Aplicación de escritorio de SSN

La aplicación de escritorio usa los mismos parámetros del enlace. Pero el sonido se reproduce desde la aplicación, no desde OBS. Captúralo con Audio de escritorio o Captura de entrada de audio (Audio Input Capture). Para separar TTS de otros sonidos, envía la aplicación a un cable virtual: pasos para enrutar el audio.

Comparativa

Solucionar problemas

Para quienes crean servidores

Cómo se comunica SSN con un servidor personalizado. Solo necesitas esto si estás creando o depurando uno.

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