ローカルAI読み上げガイド

Social Stream Ninjaは、ローカルAIのテキスト読み上げでチャットメッセージを声にできます。「ローカル」には、音声がブラウザー内で動く場合と、自分のコンピューターで小さなTTSサーバーを動かす場合の2つの意味があります。

2つの方法があります：

ほとんどの配信者にとって、最も短い手順です：

ローカルTTSで最もよくある間違いです。

Linux、macOS、Windowsでは、ファイアウォールでポートを許可し、Dockerが次でポートを公開していることも確認してください： -p 8880:8880.

拡張機能のポップアップでTTSプロバイダーの選択欄を開き、次を選びます： カスタム／ローカルTTSエンドポイント（Custom / Local TTS Endpoint）。OpenAI互換のローカルエンドポイントの設定欄と、このガイドへのリンクが表示されます。

SSNは、ローカル／自己ホストのTTSサーバーをOpenAI互換の音声エンドポイントとして扱います。基本的な流れ：

リクエストの形式

対象： ttsprovider=customtts, localtts、または openaiの場合、SSNは設定されたエンドポイントにJSONをPOSTします：

CORS、ホストされたページ、ブリッジ

CORSはブラウザーのアクセス許可の確認です。簡単に言うと、TTSサーバーがブラウザーに「このページから音声を要求してもよい」と伝える必要があります。その許可がないと、KokoroなどのTTSサーバーに届く前にリクエストがブロックされる場合があります。

• 次を読み込む場合： dock.html をChromeやOBSで読み込む場合、CORSが関係することがあります。
• 次のようなホストされたページを読み込む場合： https://beta.socialstream.ninja/dock.htmlの場合、ChromeがローカルまたはプライベートなHTTPアドレスへの呼び出しをブロックすることもあります。
• SSNアプリのテストボタンでは動くのに、OBSのブラウザーソースでは無音の場合、OBSを別途テストしてください。OBSは独自のブラウザーです。

サーバーがブラウザーからのリクエストを許可しない場合、次を実行します： SSNローカルTTSブリッジ とし、SSNの接続先を次に設定します： http://127.0.0.1:8124/v1/audio/speech。OBSでは、OBSと同じコンピューター上でブリッジを動かすのが最も簡単です。

対応する音声応答

ストリーミング音声

SSNは現在、カスタム／ローカルTTSエンドポイントの逐次再生には対応していません。応答のBlobまたはJSON音声ペイロードを待ってから再生します。上流のサーバーの中にはストリーミングエンドポイントを提供するものもありますが、SSNの現在のOpenAI互換経路では、再生前にバッファーへ読み込みます。

実用上は、チャットTTSの文章を短くしてください。ストリーミング対応には、WAV／MP3チャンク、MediaSource、WebCodecs、サーバー側ミキサーなどを使った、別の再生経路が必要です。

これらのエンジンはSocial Stream Ninjaに同梱されており、インストールは不要です。WebAssembly（WASM）またはONNX Runtimeを使ってブラウザー内で動作します。

有効にする方法

追加する項目： &ttsprovider= および &speech= をSocial Streamの次に追加します： dock.html URL：

Kokoro TTSのオプション

SSNには現在、英語28種類、スペイン語3種類、ブラジルポルトガル語3種類のKokoro音声が用意されています。音声を指定するパラメーター： &voicekokoro=:

スペイン語の例：

ポルトガル語の例：

Piper TTSのオプション

音声モデルを指定するパラメーター： &pipervoice=:

ポルトガル語とスペイン語のPiper音声が利用できます：

Kitten TTSのオプション

eSpeak-NGのオプション

Chrome拡張機能、OBSのブラウザーソース、Social Stream Ninjaの単体デスクトップアプリは、すべて同じ次の設定を使用します： dock.html のTTS用URLパラメーターです。重要な違いは、どこで音が生成されるかです。

より多くの音声、音声クローン、複数のツールで再利用できる専用サーバーが必要なら、ローカルTTSサーバーを実行できます。Social Stream Ninjaは、組み込みの次の機能で接続します： OpenAI互換TTSエンドポイント 機能を使用します。ローカルサーバーではAPIキーは不要です。

おすすめの3つの選択肢：

どのパッケージが適していますか？

音声クローンは、SSNの独立したモードではありません。一部のローカルTTSサーバーにある機能です。SSNはチャットのテキストをローカルエンドポイントへ送り、サーバーが保存済みの参照音声ファイル、音声プロファイル、ブリッジ設定からクローン音声を選びます。

一般的な流れ

1. 通常は1人の話者が話す3～30秒の参照音声を、背景雑音が少ない状態で録音します。
2. エンジンによっては、その参照音声の正確な書き起こしも必要です。
3. ローカルサーバーは、参照音声を話者のプロンプト、埋め込み表現、または音声プロファイルに変換します。
4. SSNは次を使って、ライブチャットのテキストをエンドポイントへ送ります： ttsprovider=customtts.
5. サーバーは通常WAVまたはMP3の再生可能な音声ファイルを返し、SSNがドック／ブラウザーソースで再生します。

VRAMが6GB以下の場合は、まず小型のゼロショット音声クローンモデルとOpenAI互換サーバーを検討してください。大きなモデルも、別の場所でホストすれば、同じSSNエンドポイント経由で利用できます。

これらは実用的な目安であり、確実な保証ではありません。モデルのバージョン、量子化、テキストの長さ、Dockerイメージ、バックグラウンドのアプリによって、メモリ使用量は変わります。

SSNとの互換性を確認した、自己ホストの音声クローン用接続先です。ローカルエンドポイントの経路は、次の両方に対してテスト済みです： dock.html および featured.html.

SSNは、バイナリ音声の直接応答、Base64音声を含むJSON、音声URLを含むJSONを受け付けます。現在のカスタム／ローカル再生では、返された音声をバッファーに読み込んでから再生します。逐次的なストリーミング再生にはまだ対応していません。

Kokoro-FastAPI は、Kokoro 82MモデルをOpenAI互換API付きのローカルサーバーとして実行します。CPUで動作し、GPUは不要で、音声の品質も優れています。

Dockerでインストール

ターミナル（コマンドプロンプト、PowerShell、Terminal）を開き、次のいずれかを実行します：

CPU（どのコンピューターでも動作）：

GPU（NVIDIAのみ — 音声合成が高速）：

動作を確認する

ブラウザーで次を開きます： http://localhost:8880/web/— 音声を試せるWeb UIが表示されます。

利用可能な音声

67種類以上の音声が利用できます。代表例：

すべての音声を確認して試せる場所： http://localhost:8880/web/ （サーバーの起動後）。

SSNのURL

Kokoro-FastAPIがOBSと同じコンピューターにある場合：

Kokoro-FastAPIが別のコンピューターにある場合、次を置き換えます： 192.168.x.x を、そのコンピューターのLAN IPアドレスに置き換えます：

サーバーを動作させたままにする

Kokoro-FastAPIをバックグラウンドで自動実行し続けるには、Dockerの再起動フラグを使用します：

以後は再起動のたびに、Docker Desktopと一緒に自動起動します。

openedai-speech OpenAI互換の次のエンドポイントを公開します： /v1/audio/speech エンドポイントを公開します。小型イメージではCPUでPiperを実行し、完全版イメージでは対応GPUでXTTS-v2の音声クローンを実行できます。

選択肢A：軽量なPiper

1GB未満のCPU専用TTSサーバーには、この方法を使用してください。XTTS-v2や音声クローンは含まれません。

Docker Composeでインストール

Windowsでのソースからのインストールについて

openedai-speechをDockerではなくローカルのチェックアウトから実行する場合、その仮想環境のscriptsフォルダーを次に追加します： PATH に追加してからサーバーを起動してください。これがないと、サーバーが次を見つけられず、HTTP 500を返す場合があります： piper.exe または ffmpeg.exe.

利用可能な音声

openedai-speechでは、OpenAI形式の音声名をPiperの音声に対応させています：

SSNのURL

選択肢B：XTTS-v2の音声クローン

XTTS-v2自体はモデルであり、Web APIではありません。完全版のopenedai-speechサーバーを使い、モデルの読み込み、保存した参照音声の選択、SSNからのチャットテキストの受信、再生可能な音声の返却を行ってください。サーバーによると、実用的なGPU VRAMの目安は約4GBです。CPU推論も可能ですが低速です。

macOSまたはLinuxでは、次を使用します： cp sample.env speech.env を使用し、次の値は使いません： Copy-Item。Dockerが対応GPUにアクセスできる必要があります。モデルは初回使用時にダウンロードされます。

次の下にすでに登録されている音声は残してください： tts-1-hd。変更する値： me をSSNから送信したい音声名に変更し、必要に応じて正しいXTTS言語コードを使用してください。

ブラウザーまたはOBSが直接のリクエストをブロックする場合、次を実行します： ローカルTTSブリッジ をOBSのコンピューター上で実行し、モデルと音声のパラメーターはそのままで、次を変更します： openaiendpoint → http://127.0.0.1:8124/v1/audio/speech.

ブリッジは小さなローカルの補助プログラムです。SSNからのブラウザーリクエストを受け付け、TTSサーバーと通信し、ブラウザー向けのヘッダーを付けて音声をSSNへ返します。

単体のスターターフォルダー： local-tts-bridge/。参照： ブリッジのREADME ですべての起動オプションを確認できます。

OpenAI互換プロキシ

TTSサーバーが同じコンピューターにある場合のWindows PowerShell：

TTSサーバーが別のコンピューターにある場合のWindows PowerShell：

macOS／Linuxのターミナル：

次に、OBSの次のURLを設定します： dock.html URLをブリッジに向けます：

GPT-SoVITSプロキシモード

GPT-SoVITSは独自の次の形式を使用します： /tts というJSON形式を使うため、ブリッジがSSNのOpenAI互換リクエストをGPT-SoVITSのリクエスト本文に変換します。

F5-TTSサーバープロキシモード

一部のF5-TTSサーバーラッパーは、次を公開します： /synthesize_speech/?text=...&voice=... を使用し、OpenAI互換エンドポイントではありません。ブリッジがSSNのリクエストをそのクエリー形式に変換できます。

上記の自分でホストするサーバーはすべて、同じ接続方法、つまりSocial Stream組み込みの次の機能を使用します： OpenAI TTSエンドポイント 機能を、カスタムのローカルURLで使用します。

URLパラメーター

URLの完全な使用例

Kokoro-FastAPI：

openedai-speech：

kokoro-web：

その他のTTSオプション

これらは、ローカルサーバーを含むすべてのTTSプロバイダーで使えます：

対応する価値のあるブラウザー組み込みの選択肢

SSNはすでにOS／ブラウザーの次の機能に対応しています： speechSynthesis、組み込みのKokoro、Piper、Kitten、eSpeak。今後ブラウザー側に追加すると特に役立つ機能は、次に対応する環境での音声出力デバイス選択です： setSinkId が利用できる場合の音声出力デバイス選択、Piper音声の追加、音声チャンクをストリーミングできるサーバー用の専用の逐次再生経路です。

OBSでTTSの音声を取得する方法は、Social Stream Ninjaをどのように動かしているかによって異なります。

方法1 — OBSブラウザーソース おすすめ

これが最も簡単な方法で、次で動作します： すべてのTTSプロバイダー （組み込みと、自分でホストするサーバー）。

方法2 — SSNデスクトップアプリ + デスクトップ音声

Social Stream Ninjaの単体デスクトップアプリを使用する場合（OBSのブラウザーソースではない場合）：

Windowsの音声ルーティングのリンク

Windows 10のアプリ別ルーティング

Windows 11のアプリ別ルーティング

音声ルーティングソフトウェア

Audio Router は1つのアプリを仮想ケーブルに送れますが、古いソフトウェアです。Windowsのアプリ別ルーティングが使える場合は、そちらを優先してください。

Voicemeeterによる高度なルーティング

Voicemeeter は、TTSを手元で聞きながらOBSへ送り、音楽やゲーム音声と分離したい場合に適しています。

* システムTTSをOBSで取得するには、仮想オーディオケーブルでのルーティングが必要です。

SSNアプリのテストは動くが、OBSで音が出ない

アプリのテストで確認できるのは、アプリからサーバーに接続できることだけです。OBSのブラウザーソースからもエンドポイントに接続し、音声を再生する必要があります。

• OBSとTTSサーバーが別のコンピューターにある場合、次を置き換えます： 127.0.0.1 を、TTSサーバーのコンピューターのLAN IPに置き換えます。
• OBSのブラウザーソースで、次を確認してください： OBSで音声を制御する（Control audio via OBS） が有効になっていることを確認してください。
• ブラウザーがリクエストをブロックする場合、OBSのコンピューターでSSNローカルTTSブリッジを試してください。

最初の1文字、または数語しか読み上げられない

• 実際のOBSのURLで次を確認してください： ttsquick。そのオプションは、意図的に読み上げるテキストを短くします。
• 次が表示される場合： &ttsquick=14 などの小さな数値がある場合は、削除してOBSのブラウザーソースを再読み込みしてください。
• 次を使用する場合： typewriter=がある場合、テスト中は一時的に削除してください。TTSは通常、元のメッセージを使用しますが、視覚効果を外すと、タイミングの問題をすぐに切り分けられます。

ローカルサーバーが応答しない

• Dockerが動作し、コンテナーが起動したままであることを確認してください。
• TTSサーバーのコンピューターで、次を開きます： http://127.0.0.1:8880/web/ をKokoro-FastAPIに使用します。他のサーバーでは対応するポートを使用してください。
• OBSのコンピューターから、次を開きます： http://SERVER_LAN_IP:8880/web/。これが読み込めない場合、OBSからもそのサーバーは利用できません。
• LAN IPで読み込めない場合、サーバー側コンピューターのファイアウォールを確認してください。

CORSまたはローカルネットワークがブロックされる

ブラウザーがCORS、ローカルネットワークアクセス、プライベートネットワークアクセス、failed fetchによるブロックを表示した場合、TTSサーバーにはリクエストが届いていない可能性があります。

• 実行するコマンド： npm run local-tts-bridge をOBSのコンピューター上で実行し、SSNの接続先を次にします： http://127.0.0.1:8124/v1/audio/speech.
• ホストされているbetaのドックページを使う場合、ローカルHTTPエンドポイントはブラウザーにブロックされやすくなります。通常は、ブリッジまたはローカルのアプリウィンドウを使う方が簡単です。

音声が違う、または音声が見つからない

• Kokoro-FastAPIで試す音声： af_bella, af_sarah, am_adam、またはKokoroのWeb UIにある別の音声。
• openedai-speechでの音声例： nova, echo、および alloy が有効な場合があります。
• 一部のサーバーでは、音声名の大文字と小文字を区別します。

音声は再生されるがOBSで取得できない

• 確認する項目： OBSで音声を制御する（Control audio via OBS） がブラウザーソースのプロパティで有効になっていることを確認します。
• テストメッセージの再生中に、OBSの音声ミキサーを確認します。ブラウザーソースのメーターが動くことを確認してください。
• システムTTSだけを使用していないことを確認してください（?speech=en-US 次を付けずに： &ttsprovider=）。システムTTSでは、デスクトップ音声や仮想オーディオケーブルによる取得が必要な場合があります。

Dockerイメージが見つからない

Dockerイメージのタグは変わる場合があります。このガイドのコマンドが動かなくなったら、プロジェクトのページで現在のタグを確認してください：

• Kokoro-FastAPI： github.com/remsky/Kokoro-FastAPI
• openedai-speech： github.com/matatonic/openedai-speech