Poradnik lokalnego TTS AI

Czy tego potrzebuję?

„Lokalny” oznacza jedną z dwóch rzeczy: głos wbudowany w SSN, działający w przeglądarce, albo samodzielnie uruchamiany serwer głosowy.

Wbudowane głosy (bez instalacji)

Działają wewnątrz SSN w przeglądarce. Bez serwera, Dockera i klucza API.

Konfiguracja w 4 krokach

1. Dodaj &speech=en-US&ttsprovider=kokoro do swojego dock.html link. (Lub piper, kitten, espeak.)
2. Dodaj ten link w OBS jako Źródło przeglądarki. To strona, która wydaje dźwięk.
3. We właściwościach włącz Steruj dźwiękiem przez OBS (Control audio via OBS).
4. Wyślij krótką testową wiadomość na czacie, na przykład Testing local TTS.

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

Głosy, szybkość i inne języki: ustawienia dostawcy. Wolisz klikać? Użyj przewodnik konfiguracji.

Podłącz własny serwer TTS

Serwer daje więcej głosów, klonowanie lub jeden głos do wielu narzędzi. SSN komunikuje się z nim jak z Zgodne z OpenAI serwer głosowy. Klucz API nie jest potrzebny.

1. Uruchom serwer. Kokoro-FastAPI jest najprostsze.
2. W SSN otwórz listę dostawców TTS i wybierz Własny / lokalny punkt końcowy TTS.
3. W sekcji Niestandardowy / lokalny punkt końcowy API, wpisz adres serwera, np. http://127.0.0.1:8880/v1/audio/speech.
4. Pozostaw pole klucza API puste.
5. Wybierz głos znany serwerowi: af_bella dla Kokoro, nova dla openedai-speech.
6. Skopiuj link do OBS i wyślij testową wiadomość na czacie.

Te wymagają Docker Desktop zainstalowanego i uruchomionego. Do użytku osobistego jest bezpłatny.

Zasada localhost

To najczęstszy błąd.

Sprawdź też, czy zapora pozwala na port i Docker go udostępnił (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI uruchamia Kokoro jako lokalny serwer. Działa na CPU; GPU nie jest wymagane.

1. Otwórz terminal (Wiersz polecenia, PowerShell lub Terminal) i wykonaj jedno z poniższych poleceń:

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

   GPU NVIDIA (szybciej):

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

   Przy pierwszym uruchomieniu jednorazowo pobierane jest około 1,5–2 GB.
2. Otwórz http://localhost:8880/web/. Powinna pojawić się strona do testowania głosów (ponad 67 dostępnych).
3. Użyj tego linku (zmień adres, jeśli serwer działa na innym komputerze):

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

Uruchamiaj automatycznie z Dockerem:

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

openedai-speech (Piper i XTTS-v2)

Opcja A: lekki serwer Piper (CPU)

Poniżej 1 GB. Bez klonowania głosu.

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

Głosy: 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

Opcja B: klonowanie głosu z XTTS-v2 (GPU)

Wymaga pełnego serwera, nie openedai-speech-min. Zaplanuj około 4 GB pamięci GPU. CPU działa, ale wolno.

Lokalny mostek TTS

Małe narzędzie SSN. Przyjmuje żądanie SSN, przekazuje do serwera głosowego i zwraca audio w formie akceptowanej przez przeglądarki. Wymaga Node.js.

1. Wskaż mostkowi lokalizację serwera. PowerShell:

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

   Serwer na innym komputerze? Użyj jego lokalnego adresu IP, na przykład http://192.168.x.x:8880/v1/audio/speech.
2. W folderze SSN uruchom node scripts/local-tts-bridge.cjs. Pozostaw uruchomione.
3. Skieruj SSN do mostka:

   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, w jednym wierszu: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs. Wewnątrz local-tts-bridge folder, node server.cjs robi to samo. Zmień port za pomocą SSN_TTS_BRIDGE_PORT=8125. Wszystkie opcje: README mostu.

$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

Klonowanie głosu

Klonowanie nie jest ustawieniem SSN. To funkcja niektórych serwerów głosowych. SSN wysyła tekst czatu, a serwer wybiera sklonowany głos.

1. Nagraj czysty klip z jednym mówcą, zwykle 3–30 sekund, z niewielkim szumem tła.
2. Niektóre serwery potrzebują również dokładnej treści wypowiedzi z klipu.
3. Serwer tworzy profil głosu na podstawie klipu.
4. SSN wysyła tekst czatu z ttsprovider=customtts.
5. Serwer zwraca audio (zwykle WAV lub MP3), które SSN odtwarza.

Przy pamięci GPU do 6 GB zacznij od małych modeli na serwerach zgodnych z OpenAI. Większe modele również działają, jeśli są hostowane gdzie indziej.

Wbudowane Kokoro i Kokoro-FastAPI nie klonują głosów.

Jakiego komputera potrzebuję?

Orientacyjne wartości, bez gwarancji. Rozmiar modelu, długość tekstu i inne aplikacje wpływają na zużycie pamięci.

Przekaż dźwięk do OBS

Źródło przeglądarkowe OBS (zalecane)

Działa z wbudowanymi głosami i własnym serwerem.

1. Dodaj Źródło przeglądarki z Twoim dock.html link TTS.
2. Włącz Steruj dźwiękiem przez OBS (Control audio via OBS).
3. Kliknij OK. TTS pojawia się teraz w mikserze OBS.

Aplikacja komputerowa SSN

Aplikacja komputerowa używa tych samych ustawień linku. Dźwięk pochodzi jednak z aplikacji, a nie z OBS. Przechwyć go za pomocą Dźwięk pulpitu lub Przechwytywanie wejścia audio. Aby oddzielić TTS od innych dźwięków, skieruj aplikację do wirtualnego kabla: instrukcje routingu audio.

Porównanie obok siebie

Rozwiązywanie problemów

Dla twórców serwerów

Tak SSN komunikuje się z własnym serwerem. Potrzebujesz tego tylko podczas jego tworzenia lub diagnozowania.

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