Руководство по локальному ИИ-озвучиванию

Мне это нужно?

«Локальный» означает одно из двух: встроенный в SSN голос, работающий в браузере, или голосовой сервер, который вы запускаете самостоятельно.

Встроенные голоса (ничего устанавливать не нужно)

Они работают внутри SSN в браузере. Без сервера, Docker и API-ключа.

Настройте за 4 шага

1. Добавить &speech=en-US&ttsprovider=kokoro к вашему dock.html ссылку. (Или piper, kitten, espeak.)
2. Добавьте эту ссылку в OBS как Источник «Браузер». Именно эта страница создаёт звук.
3. В свойствах включите Управлять аудио через OBS.
4. Отправьте короткое тестовое сообщение, например Testing local TTS.

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

Голоса, скорость и другие языки: настройки провайдеров. Предпочитаете кнопки? Используйте руководство по настройке.

Подключите свой сервер TTS

Сервер даёт больше голосов, клонирование или один голос для разных инструментов. SSN общается с ним как с Совместимый с OpenAI сервером речи. API-ключ не нужен.

1. Запустите сервер. Kokoro-FastAPI проще всего.
2. В SSN откройте список провайдеров TTS и выберите Собственная / локальная конечная точка озвучивания.
3. В разделе Пользовательская / локальная конечная точка API, введите адрес сервера, например http://127.0.0.1:8880/v1/audio/speech.
4. Оставьте поле API-ключа пустым.
5. Выберите известный серверу голос: af_bella для Kokoro, nova для openedai-speech.
6. Скопируйте ссылку в OBS и отправьте тестовое сообщение в чат.

Им нужен Docker Desktop установленный и запущенный. Он бесплатен для личного использования.

Правило localhost

Это самая частая ошибка.

Также проверьте разрешение порта в брандмауэре и его публикацию Docker (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI запускает Kokoro как локальный сервер. Работает на CPU, GPU не нужен.

1. Откройте терминал (командную строку, PowerShell или Terminal) и выполните одну из команд:

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

   NVIDIA GPU (быстрее):

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

   Первый запуск однократно скачивает около 1,5–2 ГБ.
2. Открыть http://localhost:8880/web/. Должна появиться страница проверки голосов (доступно более 67).
3. Используйте эту ссылку (измените адрес, если сервер на другом ПК):

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

Запускайте автоматически через Docker:

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

openedai-speech (Piper и XTTS-v2)

Вариант A: лёгкий сервер Piper (CPU)

Меньше 1 ГБ. Без клонирования голоса.

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

Голоса: 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

Вариант B: клонирование голоса XTTS-v2 (GPU)

Нужен полный сервер, не openedai-speech-min. Планируйте около 4 ГБ памяти GPU. CPU работает, но медленно.

Локальный мост TTS

Небольшая утилита SSN. Принимает запрос SSN, передаёт голосовому серверу и возвращает звук в форме, принимаемой браузерами. Нужен Node.js.

1. Укажите мосту адрес сервера. PowerShell:

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

   Сервер на другом ПК? Используйте его локальный IP, например http://192.168.x.x:8880/v1/audio/speech.
2. В папке SSN запустите node scripts/local-tts-bridge.cjs. Оставьте запущенным.
3. Направьте SSN на мост:

   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, одной строкой: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs. Внутри local-tts-bridge папке, node server.cjs делает то же. Измените порт через SSN_TTS_BRIDGE_PORT=8125. Все параметры: README моста.

$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

Клонирование голоса

Клонирование — не настройка SSN. Это функция некоторых голосовых серверов. SSN отправляет текст чата, сервер выбирает клонированный голос.

1. Запишите чистый клип одного говорящего, обычно 3–30 секунд, с минимальным фоновым шумом.
2. Некоторым серверам также нужны точные слова из клипа.
3. Сервер превращает клип в голосовой профиль.
4. SSN отправляет текст чата через ttsprovider=customtts.
5. Сервер возвращает звук (обычно WAV или MP3), а SSN воспроизводит его.

С 6 ГБ памяти GPU или меньше начните с небольших моделей на серверах, совместимых с OpenAI. Более крупные модели тоже работают, если размещены в другом месте.

Встроенный Kokoro и Kokoro-FastAPI не клонируют голоса.

Какой компьютер нужен?

Приблизительные ориентиры, не обещания. Размер модели, длина текста и другие приложения влияют на расход памяти.

Передать звук в OBS

Браузерный источник OBS (рекомендуется)

Работает со встроенными голосами и своим сервером.

1. Добавьте Источник «Браузер» со своим dock.html ссылку TTS.
2. Включите Управлять аудио через OBS.
3. Нажмите ОК. Теперь TTS отображается в микшере OBS.

Настольное приложение SSN

Настольное приложение использует те же параметры ссылки. Но звук идёт из приложения, не OBS. Захватывайте его через Звук рабочего стола или Захват входного аудиопотока. Чтобы отделить TTS от других звуков, направьте приложение в виртуальный кабель: шаги маршрутизации.

Сравнение рядом

Устранение неполадок

Для разработчиков серверов

Как SSN общается с пользовательским сервером. Это нужно лишь при разработке или отладке сервера.

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