คู่มือ AI TTS ในเครื่อง

ฉันต้องใช้ไหม?

“ในเครื่อง” หมายถึงได้สองอย่าง: เสียงในตัว SSN ที่รันในเบราว์เซอร์ หรือเซิร์ฟเวอร์เสียงที่คุณรันเอง

เสียงในตัว (ไม่ต้องติดตั้ง)

ทำงานภายใน SSN ในเบราว์เซอร์ ไม่ต้องมีเซิร์ฟเวอร์ Docker หรือคีย์ API

ตั้งค่าใน 4 ขั้นตอน

1. เพิ่ม &speech=en-US&ttsprovider=kokoro ไปยัง URL ของ dock.html ลิงก์ (หรือ piper, kitten, espeak.)
2. เพิ่มลิงก์นั้นใน OBS เป็น แหล่งเบราว์เซอร์ (Browser Source) นั่นคือหน้าที่สร้างเสียง
3. ในคุณสมบัติ เปิด ควบคุมเสียงผ่าน OBS (Control audio via OBS).
4. ส่งแชตทดสอบสั้น ๆ เช่น Testing local TTS.

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

เสียง ความเร็ว และภาษาอื่น: การตั้งค่าผู้ให้บริการ อยากใช้การคลิก? ใช้ คู่มือตั้งค่า.

เชื่อมเซิร์ฟเวอร์ TTS ของคุณ

เซิร์ฟเวอร์ให้เสียงมากขึ้น โคลนเสียง หรือใช้เสียงเดียวข้ามเครื่องมือ SSN คุยกับเซิร์ฟเวอร์เหมือน เข้ากันได้กับ OpenAI เซิร์ฟเวอร์เสียง ไม่ต้องใช้คีย์ API

1. เริ่มเซิร์ฟเวอร์ Kokoro-FastAPI ง่ายที่สุด
2. ใน SSN เปิดรายการผู้ให้บริการ TTS แล้วเลือก ปลายทาง TTS แบบกำหนดเอง / ภายในเครื่อง.
3. ใน Custom / Local API Endpoint ใส่ที่อยู่เซิร์ฟเวอร์ เช่น http://127.0.0.1:8880/v1/audio/speech.
4. เว้นคีย์ API ว่าง
5. เลือกเสียงที่เซิร์ฟเวอร์รู้จัก: af_bella สำหรับ Kokoro, nova สำหรับ openedai-speech
6. คัดลอกลิงก์เข้า OBS แล้วส่งแชตทดสอบ

ตัวเลือกเหล่านี้ต้องมี Docker Desktop ติดตั้งและทำงานอยู่ ใช้ส่วนตัวได้ฟรี

กฎ localhost

นี่คือข้อผิดพลาดที่พบบ่อยที่สุด

ตรวจว่าไฟร์วอลล์อนุญาตพอร์ตและ Docker เปิดพอร์ตไว้ (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI รัน Kokoro เป็นเซิร์ฟเวอร์ในเครื่อง ใช้ CPU ได้ ไม่ต้องมี GPU

1. เปิดเทอร์มินัล (Command Prompt, PowerShell หรือ Terminal) แล้วรันหนึ่งในคำสั่งนี้:

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

   NVIDIA GPU (เร็วกว่า):

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

   ครั้งแรกดาวน์โหลดประมาณ 1.5–2 GB เพียงครั้งเดียว
2. เปิด http://localhost:8880/web/ ควรเห็นหน้าทดสอบเสียง มีมากกว่า 67 เสียง
3. ใช้ลิงก์นี้ (เปลี่ยนที่อยู่หากเซิร์ฟเวอร์อยู่เครื่องอื่น):

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

เริ่มอัตโนมัติด้วย Docker:

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

openedai-speech (Piper และ XTTS-v2)

ตัวเลือก A: เซิร์ฟเวอร์ Piper แบบเบา (CPU)

ต่ำกว่า 1 GB ไม่โคลนเสียง

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

เสียง: 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

ตัวเลือก B: โคลนเสียง XTTS-v2 (GPU)

ต้องใช้เซิร์ฟเวอร์เต็ม ไม่ใช่ openedai-speech-min เตรียมหน่วยความจำ GPU ประมาณ 4 GB ใช้ CPU ได้แต่ช้า

บริดจ์ TTS ในเครื่อง

ตัวช่วยเล็กจาก SSN รับคำขอ SSN ส่งต่อให้เซิร์ฟเวอร์เสียง แล้วส่งเสียงกลับในรูปแบบที่เบราว์เซอร์ยอมรับ ต้องใช้ Node.js

1. บอกบริดจ์ว่าเซิร์ฟเวอร์อยู่ที่ไหน PowerShell:

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

   เซิร์ฟเวอร์อยู่อีกเครื่อง? ใช้ IP ภายใน เช่น http://192.168.x.x:8880/v1/audio/speech.
2. ในโฟลเดอร์ SSN รัน node scripts/local-tts-bridge.cjs เปิดทิ้งไว้
3. ให้ SSN เชื่อมไปบริดจ์:

   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 ในบรรทัดเดียว: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs ภายใน local-tts-bridge โฟลเดอร์ node server.cjs ทำเช่นเดียวกัน เปลี่ยนพอร์ตด้วย SSN_TTS_BRIDGE_PORT=8125 ตัวเลือกทั้งหมด: README ของบริดจ์.

$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

การโคลนเสียง

การโคลนไม่ใช่การตั้งค่า SSN แต่เป็นฟีเจอร์ของบางเซิร์ฟเวอร์เสียง SSN ส่งข้อความแชต ส่วนเซิร์ฟเวอร์เลือกเสียงโคลน

1. บันทึกคลิปชัด ๆ ของคนพูดคนเดียว ปกติ 3–30 วินาที มีเสียงรบกวนน้อย
2. บางเซิร์ฟเวอร์ต้องใช้ข้อความที่พูดในคลิปตรงทุกคำด้วย
3. เซิร์ฟเวอร์แปลงคลิปเป็นโปรไฟล์เสียง
4. SSN ส่งข้อความแชตด้วย ttsprovider=customtts.
5. เซิร์ฟเวอร์ส่งเสียงกลับ ปกติ WAV หรือ MP3 แล้ว SSN เล่น

หากมีหน่วยความจำ GPU ไม่เกิน 6 GB เริ่มจากโมเดลเล็กบนเซิร์ฟเวอร์ที่รองรับ OpenAI โมเดลใหญ่ใช้ได้หากโฮสต์ที่อื่น

Kokoro ในตัวและ Kokoro-FastAPI โคลนเสียงไม่ได้

ต้องใช้คอมพิวเตอร์แบบไหน?

เป็นจุดเริ่มต้นคร่าว ๆ ไม่รับประกัน ขนาดโมเดล ความยาวข้อความ และแอปอื่นมีผลต่อหน่วยความจำ

นำเสียงเข้า OBS

OBS Browser Source (แนะนำ)

ใช้ได้กับเสียงในตัวและเซิร์ฟเวอร์ของคุณ

1. เพิ่ม แหล่งเบราว์เซอร์ (Browser Source) ด้วย dock.html ลิงก์ TTS
2. เปิด ควบคุมเสียงผ่าน OBS (Control audio via OBS).
3. คลิก ตกลง (OK) TTS จะแสดงในมิกเซอร์ OBS

แอป SSN เดสก์ท็อป

แอปเดสก์ท็อปใช้ตัวเลือกลิงก์เดียวกัน แต่เสียงออกจากแอป ไม่ใช่ OBS จับเสียงด้วย เสียงเดสก์ท็อป หรือ เก็บเสียงขาเข้า (Audio Input Capture) หากต้องการแยก TTS จากเสียงอื่น ส่งแอปผ่านสายเสียงเสมือน: ขั้นตอนจัดเส้นทางเสียง.

เปรียบเทียบ

แก้ปัญหา

สำหรับผู้สร้างเซิร์ฟเวอร์

วิธีที่ SSN คุยกับเซิร์ฟเวอร์กำหนดเอง ใช้ส่วนนี้เฉพาะเมื่อสร้างหรือดีบักเซิร์ฟเวอร์

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