Посібник із локального озвучення ШІ

Мені це потрібно?

«Локальний» означає одне з двох: вбудований у SSN голос, що працює в браузері, або голосовий сервер, який ви запускаєте самостійно.

Вбудовані голоси (нічого встановлювати не потрібно)

Вони працюють усередині SSN у браузері. Без сервера, Docker й API-ключа.

Налаштуйте за 4 кроки

1. Додайте &speech=en-US&ttsprovider=kokoro до свого dock.html посилання. (Або piper, kitten, espeak.)
2. Додайте це посилання до OBS як Джерело браузера (Browser Source). Саме ця сторінка створює звук.
3. У властивостях увімкніть Керувати звуком через OBS (Control audio via OBS).
4. Надішліть коротке тестове повідомлення, наприклад Testing local TTS.

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

Голоси, швидкість та інші мови: налаштування провайдерів. Віддаєте перевагу кнопкам? Використовуйте посібник із налаштування.

Підключіть власний сервер TTS

Сервер дає більше голосів, клонування чи один голос для різних інструментів. SSN спілкується з ним як із Сумісний з OpenAI сервером мовлення. API-ключ не потрібен.

1. Запустіть сервер. Kokoro-FastAPI найпростіше.
2. У SSN відкрийте список провайдерів TTS і виберіть Власна / локальна кінцева точка TTS.
3. У розділі Користувацька / локальна кінцева точка API, уведіть адресу сервера, наприклад http://127.0.0.1:8880/v1/audio/speech.
4. Залиште поле API-ключа порожнім.
5. Виберіть відомий серверу голос: af_bella для Kokoro, nova для openedai-speech.
6. Скопіюйте посилання в OBS і надішліть тестове повідомлення в чат.

Їм потрібен Docker Desktop установлений і запущений. Він безкоштовний для особистого використання.

Правило localhost

Це найпоширеніша помилка.

Також перевірте дозвіл порту в брандмауері та його публікацію Docker (-p 8880:8880).

Kokoro-FastAPI

Kokoro-FastAPI запускає Kokoro як локальний сервер. Працює на CPU, GPU не потрібен.

1. Відкрийте термінал (командний рядок, PowerShell або Terminal) і виконайте одну з команд:

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

   NVIDIA GPU (швидше):

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

   Перший запуск одноразово завантажує близько 1,5–2 ГБ.
2. Відкрити http://localhost:8880/web/. Має з'явитися сторінка перевірки голосів (доступно понад 67).
3. Використовуйте це посилання (змініть адресу, якщо сервер на іншому 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 автоматично через Docker:

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

openedai-speech (Piper та XTTS-v2)

Варіант A: легкий сервер Piper (CPU)

Менше 1 ГБ. Без клонування голосу.

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

Голоси: 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

Варіант B: клонування голосу XTTS-v2 (GPU)

Потрібен повний сервер, не openedai-speech-min. Плануйте близько 4 ГБ пам'яті GPU. CPU працює, але повільно.

Локальний міст TTS

Невелика утиліта SSN. Приймає запит SSN, передає голосовому серверу й повертає звук у формі, яку приймають браузери. Потрібен Node.js.

1. Укажіть мосту адресу сервера. PowerShell:

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

   Сервер на іншому ПК? Використовуйте його локальну IP-адресу, наприклад http://192.168.x.x:8880/v1/audio/speech.
2. У теці SSN запустіть node scripts/local-tts-bridge.cjs. Залиште запущеним.
3. Спрямуйте SSN на міст:

   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, одним рядком: SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" node scripts/local-tts-bridge.cjs. Усередині local-tts-bridge теці, node server.cjs робить те саме. Змініть порт через SSN_TTS_BRIDGE_PORT=8125. Усі параметри: README мосту.

$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

Клонування голосу

Клонування — не налаштування SSN. Це функція деяких голосових серверів. SSN надсилає текст чату, сервер вибирає клонований голос.

1. Запишіть чистий кліп одного мовця, зазвичай 3–30 секунд, із мінімальним фоновим шумом.
2. Деяким серверам також потрібні точні слова з кліпу.
3. Сервер перетворює кліп на голосовий профіль.
4. SSN надсилає текст чату через ttsprovider=customtts.
5. Сервер повертає звук (зазвичай WAV або MP3), а SSN відтворює його.

Із 6 ГБ пам'яті GPU або менше почніть із невеликих моделей на серверах, сумісних з OpenAI. Більші моделі теж працюють, якщо розміщені в іншому місці.

Вбудований Kokoro та Kokoro-FastAPI не клонують голоси.

Який комп'ютер потрібен?

Приблизні орієнтири, не обіцянки. Розмір моделі, довжина тексту й інші застосунки впливають на витрати пам'яті.

Передати звук до OBS

Браузерне джерело OBS (рекомендовано)

Працює з вбудованими голосами й власним сервером.

1. Додайте Джерело браузера (Browser Source) зі своїм dock.html посилання TTS.
2. Увімкніть Керувати звуком через OBS (Control audio via OBS).
3. Натисніть OK. Тепер TTS відображається в мікшері OBS.

Настільний застосунок SSN

Настільний застосунок використовує ті самі параметри посилання. Але звук іде із застосунку, не OBS. Захоплюйте його через Звук робочого столу або Захоплення вхідного аудіопотоку. Щоб відокремити TTS від інших звуків, спрямуйте застосунок до віртуального кабелю: кроки маршрутизації.

Порівняння поруч

Усунення несправностей

Для розробників серверів

Як SSN спілкується з користувацьким сервером. Це потрібно лише під час розроблення чи налагодження 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