ローカルAI読み上げガイド

これは必要？

「ローカル」には、ブラウザーで動くSSN内蔵音声と、自分で起動する音声サーバーの2種類があります。

内蔵音声（インストール不要）

ブラウザーのSSN内で動作し、サーバー、Docker、APIキーは不要です。

4手順で設定する

1. 追加する項目： &speech=en-US&ttsprovider=kokoro の追加先： dock.html リンク（または piper, kitten, espeak.)
2. そのリンクをOBSの次のソースに追加します： ブラウザソース。音声を生成するのはそのページです。
3. プロパティで次を有効にします： OBSで音声を制御する（Control audio via OBS）.
4. 短いテストチャットを送ります。例： Testing local TTS.

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

音声、速度、その他の言語： プロバイダー設定。クリックで操作したい場合は次を使います： 設定ガイド.

独自のTTSサーバーを接続する

サーバーを使うと、音声の種類を増やしたり、音声を複製したり、複数ツールで同じ音声を使えます。SSNは次の方式で通信します： OpenAI互換 音声サーバー。APIキーは不要です。

1. サーバーを起動します。 Kokoro-FastAPI が最も簡単です。
2. SSNのTTSプロバイダー一覧を開き、次を選びます： カスタム／ローカルTTSエンドポイント（Custom / Local TTS Endpoint）.
3. 次の場所で： カスタム／ローカルAPIエンドポイントにサーバーのアドレスを入力します。例： http://127.0.0.1:8880/v1/audio/speech.
4. APIキーは空欄にします。
5. サーバーが対応する音声を選びます： af_bella をKokoro用に、 nova をopenedai-speech用に使います。
6. リンクをOBSにコピーし、テストチャットを送ります。

これらには次が必要です： Docker Desktop をインストールして起動する必要があります。個人利用は無料です。

localhostの意味

最もよくある間違いです。

ファイアウォールでポートを許可し、Dockerが公開しているかも確認します（-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI はKokoroをローカルサーバーとして動かします。CPUで動作し、GPUは不要です。

1. 端末（コマンドプロンプト、PowerShell、Terminal）で次のいずれかを実行します：

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

   NVIDIA GPU（高速）：

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

   初回だけ約1.5～2GBをダウンロードします。
2. 開く項目： http://localhost:8880/web/。67種類以上の音声をテストできるページが表示されるはずです。
3. このリンクを使います（サーバーが別PCならアドレスを変更）：

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

Dockerと一緒に自動起動する：

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

openedai-speech（PiperとXTTS-v2）

方法A：軽量Piperサーバー（CPU）

1GB未満。音声複製はできません。

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

音声： 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

方法B：XTTS-v2の音声複製（GPU）

必要なのは完全なサーバーで、次ではありません： openedai-speech-min。GPUメモリ約4GBが目安です。CPUでも動きますが低速です。

ローカルTTSブリッジ

SSNの小さな補助プログラムです。SSNのリクエストを音声サーバーへ転送し、ブラウザーが受け付ける形で音声を返します。Node.jsが必要です。

1. ブリッジにサーバーの場所を指定します。PowerShell：

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

   サーバーが別PCなら、そのローカルIPを使います。例： http://192.168.x.x:8880/v1/audio/speech.
2. SSNフォルダーで次を実行します： node scripts/local-tts-bridge.cjs。起動したままにしてください。
3. SSNの接続先をブリッジにします：

   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では1行で： SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs。次の中で： local-tts-bridge フォルダーで、 node server.cjs も同じ働きをします。ポートは次で変えます： SSN_TTS_BRIDGE_PORT=8125。全設定： ブリッジのREADME.

$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

音声クローン

音声の複製はSSNの設定ではなく、一部の音声サーバーの機能です。SSNがチャット本文を送り、サーバーが複製音声を選びます。

1. 話者1人の、雑音の少ない明瞭な音声を通常3～30秒録音します。
2. 音声で話した正確な文章が必要なサーバーもあります。
3. サーバーが音声クリップから音声プロファイルを作ります。
4. SSNはチャット本文を次で送ります： ttsprovider=customtts.
5. サーバーが音声（通常WAVまたはMP3）を返し、SSNが再生します。

GPUメモリ6GB以下なら、OpenAI互換サーバーの小型モデルから始めます。大きなモデルも別の場所でホストすれば使えます。

内蔵KokoroとKokoro-FastAPIは音声を複製しません。

どんなコンピューターが必要？

大まかな目安で、保証ではありません。モデルサイズ、文章の長さ、ほかのアプリによってメモリ使用量は変わります。

音声をOBSに取り込む

OBSブラウザーソース（推奨）

内蔵音声と独自サーバーで使えます。

1. 追加する項目： ブラウザソース に自分の dock.html TTSリンク。
2. オンにする項目： OBSで音声を制御する（Control audio via OBS）.
3. クリックする項目： OK。TTSがOBSミキサーに表示されます。

SSNデスクトップアプリ

デスクトップアプリも同じリンク設定を使いますが、音はOBSではなくアプリから出ます。次で取り込みます： デスクトップ音声 または 音声入力キャプチャ（Audio Input Capture）。TTSをほかの音と分けるには、アプリの音声を仮想ケーブルへ送ります： 音声経路の設定手順.

比較

問題を解決する

サーバー開発者向け

SSNと独自サーバーの通信方法です。サーバーの作成やデバッグ時にだけ必要です。

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