Guida al TTS con IA locale

Mi serve?

“Locale” indica una di queste due cose: una voce integrata in SSN che funziona nel browser, oppure un server vocale che esegui tu stesso.

Voci integrate (nulla da installare)

Funzionano all'interno di SSN nel browser. Non servono server, Docker o chiavi API.

Configuralo in 4 passaggi

1. Aggiungi &speech=en-US&ttsprovider=kokoro al tuo dock.html (link). (Oppure piper, kitten, espeak.)
2. Aggiungi quel link a OBS come Sorgente browser. È quella pagina che produce l'audio.
3. Nelle proprietà, attiva Controlla l'audio tramite OBS.
4. Invia un breve messaggio di prova in chat, ad esempio Testing local TTS.

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

Voci, velocità e altre lingue: impostazioni del fornitore. Preferisci fare clic? Usa la guida alla configurazione.

Collega il tuo server TTS

Un server offre più voci, clonazione o una voce riutilizzabile fra strumenti. SSN comunica con esso come con un server vocale Compatibile con OpenAI . Non serve una chiave API.

1. Avvia il tuo server. Kokoro-FastAPI è la soluzione più semplice.
2. In SSN, apri l'elenco dei fornitori TTS e scegli Endpoint TTS personalizzato / locale.
3. In Endpoint API personalizzato/locale, inserisci l'indirizzo del server, come http://127.0.0.1:8880/v1/audio/speech.
4. Lascia vuota la chiave API.
5. Scegli una voce riconosciuta dal tuo server: af_bella per Kokoro, nova per openedai-speech.
6. Copia il link in OBS e invia un messaggio di prova.

Richiedono Docker Desktop installato e in esecuzione. È gratuito per uso personale.

La regola di localhost

Questo è l'errore più comune.

Controlla anche che il firewall consenta la porta e che Docker l'abbia pubblicata (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI esegue Kokoro come server locale. Funziona su CPU; non serve una GPU.

1. Apri un terminale (Prompt dei comandi, PowerShell o Terminale) ed esegui una di queste opzioni:

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

   GPU NVIDIA (più veloce):

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

   La prima esecuzione scarica circa 1,5–2 GB, una sola volta.
2. Apri http://localhost:8880/web/. Dovrebbe apparire una pagina per provare le voci (oltre 67 disponibili).
3. Usa questo link (cambia l'indirizzo se il server è su un altro PC):

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

Avvialo automaticamente con Docker:

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

openedai-speech (Piper e XTTS-v2)

Opzione A: server Piper leggero (CPU)

Meno di 1 GB. Nessuna clonazione vocale.

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

Voci: 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

Opzione B: clonazione vocale con XTTS-v2 (GPU)

Richiede il server completo, non openedai-speech-min. Prevedi circa 4 GB di memoria GPU. La CPU funziona, ma è lenta.

Il bridge TTS locale

Un piccolo helper SSN. Riceve la richiesta SSN, la passa al server vocale e restituisce l'audio in una forma accettata dai browser. Richiede Node.js.

1. Indica al bridge dove si trova il tuo server. PowerShell:

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

   Il server è su un altro PC? Usa il suo IP locale, ad esempio http://192.168.x.x:8880/v1/audio/speech.
2. Nella cartella SSN, esegui node scripts/local-tts-bridge.cjs. Lascialo in esecuzione.
3. Collega SSN al bridge:

   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 una sola riga: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs. Nella cartella local-tts-bridge , node server.cjs fa la stessa cosa. Cambia la porta con SSN_TTS_BRIDGE_PORT=8125. Tutte le opzioni: README del bridge.

$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

Clonazione vocale

La clonazione non è un'impostazione SSN, ma una funzione di alcuni server vocali. SSN invia il testo della chat; il server sceglie la voce clonata.

1. Registra un campione pulito di una sola persona che parla, di solito di 3–30 secondi, con poco rumore di fondo.
2. Alcuni server richiedono anche le parole esatte pronunciate nella registrazione.
3. Il server trasforma la registrazione in un profilo vocale.
4. SSN invia il testo della chat con ttsprovider=customtts.
5. Il server restituisce l'audio (di solito WAV o MP3) e SSN lo riproduce.

Con 6 GB di memoria GPU o meno, inizia con modelli piccoli su server compatibili con OpenAI. Anche i modelli più grandi funzionano se ospitati altrove.

Kokoro integrato e Kokoro-FastAPI non clonano voci.

Quale computer mi serve?

Sono indicazioni di partenza, non garanzie. Le dimensioni del modello, la lunghezza del testo e le altre app influiscono sull'uso della memoria.

Porta l'audio in OBS

Sorgente browser di OBS (consigliata)

Funziona con le voci integrate e con il tuo server.

1. Aggiungi un Sorgente browser con il tuo link dock.html TTS.
2. Attiva Controlla l'audio tramite OBS.
3. Fai clic su OK. Il TTS ora appare nel mixer OBS.

App desktop SSN

L'app desktop usa gli stessi parametri del link. L'audio però viene riprodotto dall'app, non da OBS. Acquisiscilo con Audio desktop oppure Acquisizione ingresso audio. Per separare il TTS dagli altri suoni, invia l'app a un cavo virtuale: passaggi per instradare l'audio.

Confronto

Risolvere i problemi

Per chi sviluppa server

Come SSN comunica con un server personalizzato. Ti serve solo se ne stai sviluppando uno o risolvendo i problemi.

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