Guia de síntese de voz local com IA

Preciso disso?

“Local” significa uma de duas coisas: uma voz integrada ao SSN que roda no navegador ou um servidor de voz que você mesmo executa.

Vozes integradas (sem instalar nada)

Elas rodam dentro do SSN no navegador. Sem servidor, Docker ou chave de API.

Configure em 4 etapas

1. Adicione &speech=en-US&ttsprovider=kokoro ao seu dock.html (link). (Ou piper, kitten, espeak.)
2. Adicione esse link ao OBS como Fonte de navegador. Essa é a página que produz o som.
3. Nas propriedades, ative Controlar áudio pelo OBS (Control audio via OBS).
4. Envie uma mensagem de teste curta no chat, como Testing local TTS.

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

Vozes, velocidade e outros idiomas: configurações do provedor. Prefere clicar? Use o guia de configuração.

Conecte seu próprio servidor TTS

Um servidor oferece mais vozes, clonagem ou uma voz reutilizável entre ferramentas. O SSN se comunica com ele como um servidor de voz Compatível com OpenAI . Não precisa de chave de API.

1. Inicie seu servidor. Kokoro-FastAPI é a opção mais fácil.
2. No SSN, abra a lista de provedores de TTS e escolha Endpoint de TTS personalizado / local.
3. Em Endpoint API personalizado/local, digite o endereço do servidor, como http://127.0.0.1:8880/v1/audio/speech.
4. Deixe a chave de API em branco.
5. Escolha uma voz reconhecida pelo servidor: af_bella para Kokoro, nova para openedai-speech.
6. Copie o link para OBS e envie uma mensagem de teste.

Eles precisam do Docker Desktop instalado e em execução. É gratuito para uso pessoal.

A regra do localhost

Este é o erro mais comum.

Confira também se o firewall permite a porta e se o Docker a publicou (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI executa o Kokoro como servidor local. Funciona com CPU; não precisa de GPU.

1. Abra um terminal (Prompt de Comando, PowerShell ou Terminal) e execute uma destas opções:

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

   GPU NVIDIA (mais rápido):

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

   A primeira execução baixa cerca de 1,5–2 GB, uma única vez.
2. Abrir http://localhost:8880/web/. Deve aparecer uma página para testar vozes (mais de 67 disponíveis).
3. Use este link (altere o endereço se o servidor estiver em outro PC):

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

Inicie automaticamente com o 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)

Opção A: servidor leve do Piper (CPU)

Menos de 1 GB. Sem clonagem de voz.

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

Vozes: 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

Opção B: clonagem de voz com XTTS-v2 (GPU)

Precisa do servidor completo, não openedai-speech-min. Planeje cerca de 4 GB de memória GPU. CPU funciona, mas é lenta.

A ponte local de TTS

Um pequeno auxiliar do SSN. Recebe a solicitação do SSN, envia ao servidor de voz e devolve o áudio de uma forma aceita pelos navegadores. Precisa de Node.js.

1. Informe à ponte onde está seu servidor. PowerShell:

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

   O servidor está em outro PC? Use o IP local dele, como http://192.168.x.x:8880/v1/audio/speech.
2. Na pasta do SSN, execute node scripts/local-tts-bridge.cjs. Deixe em execução.
3. Conecte o SSN à ponte:

   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, em uma linha: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs. Dentro da pasta local-tts-bridge , node server.cjs faz o mesmo. Altere a porta com SSN_TTS_BRIDGE_PORT=8125. Todas as opções: README da ponte.

$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

Clonagem de voz

Clonagem não é uma configuração do SSN, mas uma função de alguns servidores de voz. O SSN envia o texto do chat; o servidor escolhe a voz clonada.

1. Grave um clipe limpo de uma única pessoa falando, geralmente de 3–30 segundos, com pouco ruído de fundo.
2. Alguns servidores também precisam das palavras exatas faladas no clipe.
3. O servidor transforma o clipe em um perfil de voz.
4. O SSN envia o texto do chat com ttsprovider=customtts.
5. O servidor retorna áudio (geralmente WAV ou MP3) e o SSN o reproduz.

Com 6 GB de memória de GPU ou menos, comece com modelos pequenos em servidores compatíveis com OpenAI. Modelos maiores também funcionam se estiverem hospedados em outro lugar.

Kokoro integrado e Kokoro-FastAPI não clonam vozes.

De que computador eu preciso?

São pontos de partida aproximados, não garantias. O tamanho do modelo, o comprimento do texto e os outros aplicativos alteram o uso de memória.

Leve o áudio para o OBS

Fonte de navegador do OBS (recomendada)

Funciona com as vozes integradas e com seu próprio servidor.

1. Adicione uma ação Fonte de navegador com seu link dock.html de TTS.
2. Ative Controlar áudio pelo OBS (Control audio via OBS).
3. Clique em OK. O TTS agora aparece no mixer do OBS.

Aplicativo SSN para desktop

O aplicativo para desktop usa os mesmos parâmetros do link. Mas o som sai do aplicativo, não do OBS. Capture com Áudio do desktop ou Captura de entrada de áudio. Para separar TTS dos outros sons, envie o aplicativo para um cabo virtual: etapas de roteamento do áudio.

Comparação lado a lado

Resolver problemas

Para quem cria servidores

Como o SSN se comunica com um servidor personalizado. Você só precisa disto se estiver criando ou depurando um.

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