Social Stream Ninja — посібник із локального ШІ TTS

Social Stream Ninja може читати повідомлення чату вголос за допомогою локального ШІ для синтезу мовлення. «Локальний» може означати дві речі: голос працює всередині браузера або ви запускаєте невеликий сервер TTS на власному комп’ютері.

Є два підходи:

Шлях 1 — вбудований TTS Без налаштування

Кілька високоякісних голосів ШІ вбудовано безпосередньо в Social Stream Ninja. Вони працюють у браузері через WebAssembly або ONNX — без сервера, Docker чи встановлення.

Kokoro 82M (найкраща якість)
Нейронний TTS Piper
Kitten TTS
eSpeak-NG

Просто додайте параметр URL і починайте.

Шлях 2 — власний сервер Потрібен Docker

Запустіть локальний сервер TTS на своєму комп’ютері та спрямуйте на нього Social Stream Ninja. Це дає більше голосів, клонування голосу та серверне керування.

Kokoro-FastAPI
openedai-speech (Piper)
kokoro-web

Використовує вбудовану в Social Stream підтримку: Кінцева точка, сумісна з OpenAI .

Почніть зі шляху 1. Якщо вам просто потрібен робочий TTS в OBS, спочатку спробуйте вбудований Kokoro або Kitten. Їм не потрібні Docker, сервер чи API-ключ. Використовуйте власний сервер, лише якщо вам потрібен конкретний серверний голос, клонування голосу або інша модель.

Це найкоротший шлях для більшості стрімерів:

1

Спочатку використовуйте вбудованого постачальника. Додайте &speech=en-US&ttsprovider=kokoro або &speech=en-US&ttsprovider=kitten до свого dock.html URL.

2

Вставте цей URL в OBS як браузерне джерело. Саме браузерне джерело OBS є сторінкою, що відтворюватиме звук.

3

Увімкніть захоплення звуку OBS. У властивостях браузерного джерела ввімкніть Керувати звуком через OBS.

4

Надішліть одне коротке тестове повідомлення чату. Використовуйте щось просте, наприклад Testing local TTS. Якщо використовуєте Kokoro чи Piper, дочекайтеся першого завантаження моделей.

5

Лише після цього спробуйте власний сервер. Якщо ви використовуєте Kokoro-FastAPI, openedai-speech або інший сервер Docker, прочитайте нижче правило localhost, перш ніж копіювати URL в OBS.

Це найпоширеніша помилка з локальним TTS.

localhost і 127.0.0.1 завжди означають «цей самий комп’ютер». Якщо OBS працює на одному комп’ютері, а Kokoro — на іншому, 127.0.0.1 в URL OBS указує на комп’ютер з OBS, а не на комп’ютер із Kokoro.

Схема, що показує: localhost означає той самий комп’ютер, а для іншого комп’ютера потрібна LAN IP-адреса — Використовуйте `127.0.0.1` лише коли сервер TTS працює на тому самому комп’ютері, що й сторінка, яка відтворює звук. Якщо сервер працює на іншому комп’ютері, використовуйте його LAN IP-адресу.

Ваші налаштування	Кінцева точка для використання
OBS і Kokoro працюють на одному комп’ютері	`http://127.0.0.1:8880/v1/audio/speech`
Kokoro працює на іншому комп’ютері у вашій домашній мережі	`http://192.168.x.x:8880/v1/audio/speech`, використовуючи LAN IP комп’ютера з Kokoro
Кнопка перевірки настільного застосунку SSN працює, але OBS мовчить	OBS усе одно потребує власної робочої кінцевої точки. Перевірка в застосунку не доводить, що OBS може зв’язатися із сервером.

У Linux, macOS і Windows також переконайтеся, що брандмауер дозволяє порт і Docker опублікував його через -p 8880:8880.

У спливному вікні розширення відкрийте вибір постачальника TTS і виберіть Власна / локальна кінцева точка TTS. Це показує поля локальної кінцевої точки, сумісної з OpenAI, і посилання на цей посібник.

Схема полів локального TTS у Social Stream Ninja у вигляді знімка екрана — Найважливіше — поле кінцевої точки. Для локального сервера API-ключ зазвичай можна залишити порожнім. Виберіть назву голосу, яку ваш сервер справді підтримує.

Про знімки екрана: наведена вище схема полів SSN показує поля локальної кінцевої точки. Інтерфейси сторонніх серверів змінюються залежно від версії проєкту, тому посилання на актуальні знімки екрана й деталі інтерфейсу наведено в репозиторії кожного проєкту біля відповідного кроку налаштування.

SSN розглядає локальний/власний сервер TTS як кінцеву точку мовлення, сумісну з OpenAI. Основний процес:

chat text -> SSN TTS request -> local endpoint or SSN bridge -> TTS server -> audio response -> SSN playback

Формат запиту

Для ttsprovider=customtts, localtts, або openai, SSN надсилає JSON POST на налаштовану кінцеву точку:

POST /v1/audio/speech { "model": "tts-1", "input": "Chat message text", "voice": "af_bella", "response_format": "mp3", "speed": 1.0 }

CORS, розміщені сторінки та міст

CORS — це перевірка дозволу в браузері. Простими словами: сервер TTS має сказати браузеру «так, ця сторінка може запитувати в мене аудіо». Якщо такого дозволу немає, запит може бути заблоковано ще до того, як Kokoro чи інший сервер TTS його побачить.

Якщо ви завантажуєте dock.html у Chrome або OBS, CORS може мати значення.
Якщо ви завантажуєте розміщену сторінку, наприклад https://beta.socialstream.ninja/dock.html, Chrome також може блокувати запити до локальних або приватних HTTP-адрес.
Якщо кнопка Test у застосунку SSN працює, а браузерне джерело OBS мовчить, перевірте OBS окремо. OBS має власний браузер.

Якщо сервер не дозволяє браузерні запити, запустіть Міст локального TTS SSN та спрямуйте SSN на http://127.0.0.1:8124/v1/audio/speech. Для OBS найпростіше запустити міст на тому самому комп’ютері, що й OBS.

Підтримувані аудіовідповіді

Відповідь	Підтримка SSN	Примітки
Двійкові аудіодані	Так	Найкращий варіант. Повертайте `audio/mpeg`, `audio/wav`, `audio/ogg`, `audio/aac`або інший тип аудіо, який може відтворити браузер.
JSON із URL аудіо	Так	SSN перевіряє `url`, `audio_url`, `output_url`, вкладені `data.url`, і перший `data[]` елемент.
JSON із аудіо в base64	Так	SSN перевіряє `audio`, `audio_data`, `audioContent`, `b64_json`, вкладені `data` поля та URL даних.
Необроблений PCM	Лише з обгорткою	Повертайте PCM як файл WAV або WAV у base64. Аудіоелемент браузера не може надійно відтворювати необроблені байти PCM безпосередньо.

Рекомендовані формати: використовуйте mp3 для невеликих файлів і широкої підтримки браузерами, wav для локальних серверів клонування та перевірки мосту, і opus лише коли і сервер, і браузер це підтримують.

Потокове аудіо

Наразі SSN не підтримує поступове відтворення для власних/локальних кінцевих точок TTS. Він чекає на blob відповіді або аудіодані JSON, а потім відтворює їх. Деякі сервери надають потокові кінцеві точки, але поточний шлях SSN, сумісний з OpenAI, буферизує звук перед відтворенням.

Практичний висновок: робіть фрагменти TTS чату короткими. Для потокової підтримки потрібен окремий шлях відтворення з потоковими фрагментами WAV/MP3, MediaSource, WebCodecs або серверним мікшером.

Ці рушії входять до Social Stream Ninja й не потребують встановлення. Вони працюють у браузері через WebAssembly (WASM) або ONNX Runtime.

Постачальник	Якість	Використання CPU	GPU/WebGPU	Параметр URL
Kokoro TTS	⭐⭐⭐⭐⭐ Чудова	Середнє	Швидше з GPU	`?ttsprovider=kokoro`
Piper TTS	⭐⭐⭐⭐ Дуже добра	Низьке	Лише CPU	`?ttsprovider=piper`
Kitten TTS	⭐⭐⭐ Добра	Дуже низьке	Лише CPU	`?ttsprovider=kitten`
eSpeak-NG	⭐⭐ Роботизована	Мінімальне	Лише CPU	`?ttsprovider=espeak`

Як увімкнути

Додайте &ttsprovider= і &speech= до свого Social Stream dock.html URL:

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

Параметри Kokoro TTS

Наразі SSN пропонує 28 англійських, три іспанські та три бразильські португальські голоси Kokoro. Укажіть голос за допомогою параметра &voicekokoro=:

English female: af_bella, af_sarah, af_nicole, af_sky English male: am_adam, am_michael British female: bf_emma, bf_isabella British male: bm_george, bm_lewis

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=kokoro&voicekokoro=af_bella&kokorospeed=1.1

Примітка щодо мови: Виберіть голос Kokoro для потрібної мови. Зміна лише параметра мови не змінює вибраний голос.

Приклад іспанською:

dock.html?session=YOUR_SESSION&speech=es-ES&ttsprovider=kokoro&voicekokoro=ef_dora

Приклад португальською:

dock.html?session=YOUR_SESSION&speech=pt-BR&ttsprovider=kokoro&voicekokoro=pf_dora

Параметри Piper TTS

Укажіть модель голосу через &pipervoice=:

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=piper&pipervoice=en_US-hfc_female-medium

Доступні португальські й іспанські голоси Piper:

Brazilian Portuguese: pt_BR-faber-medium, pt_BR-edresson-low

Spanish: es_ES-davefx-medium, es_MX-ald-medium

dock.html?session=YOUR_SESSION&speech=pt-BR&ttsprovider=piper&pipervoice=pt_BR-faber-medium

dock.html?session=YOUR_SESSION&speech=es-ES&ttsprovider=piper&pipervoice=es_ES-davefx-medium

Параметри Kitten TTS

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=kitten&kittenvoice=expr-voice-4-f

Параметри eSpeak-NG

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=espeak&espeakvoice=en&espeakspeed=175

dock.html?session=YOUR_SESSION&speech=pt-BR&ttsprovider=espeak&espeakvoice=pt-br&espeakspeed=145

dock.html?session=YOUR_SESSION&speech=es-ES&ttsprovider=espeak&espeakvoice=es&espeakspeed=145

Перше завантаження: Kokoro й Piper мають завантажити файли моделей під час першого використання (~50–200 МБ). Це відбувається автоматично у фоні. Наступні завантаження можуть використовувати кешовані моделі, але ініціалізація все одно потребує часу. OBS має окремий кеш від Chrome/Edge.

Захоплення в OBS: Усі вбудовані постачальники TTS відтворюють звук безпосередньо через браузер. В OBS додайте свій dock.html як браузерне джерело й увімкніть «Керувати звуком через OBS»— віртуальні кабелі не потрібні. Див. розділ OBS нижче.

Розширення Chrome, браузерне джерело OBS та окремий настільний застосунок Social Stream Ninja використовують однакові dock.html параметри URL для TTS. Важлива відмінність — де саме створюється звук.

Середовище	Поведінка локального TTS	Захоплення звуку
Розширення Chrome / браузерне джерело OBS	Браузерний fetch потребує CORS від локального сервера, якщо ви не використовуєте міст SSN.	Використовуйте браузерне джерело OBS із «Control audio via OBS».
Окремий настільний застосунок	Використовує ті самі налаштування постачальника. Вікна локальних файлів застосунку менше обмежені CORS, але міст усе одно є найнадійнішим шляхом для серверів, які відхиляють браузерні запити.	Захоплюйте звук робочого столу/застосунку або спрямуйте застосунок на віртуальний аудіокабель.
Вбудований Kokoro в настільному застосунку	Застосунок може використовувати свій локальний шлях `ninjafy.tts` для Kokoro замість покладання лише на завантаження моделі в браузері.	Звук відтворюється із застосунку, тому використовуйте захоплення звуку робочого столу/застосунку.

Не плутайте перевірку в застосунку з OBS. Якщо ви натискаєте Test у застосунку SSN, перевірку виконує застосунок. Якщо ви копіюєте dock.html URL в OBS, саме OBS має дістатися сервера TTS і відтворити звук.

Якщо вам потрібні додаткові голоси, клонування голосу або окремий сервер для різних інструментів, можна запустити локальний сервер TTS. Social Stream Ninja підключається до нього через вбудовану підтримку: Кінцева точка TTS, сумісна з OpenAI — для локальних серверів API-ключ не потрібен.

Вимоги: Docker Desktop має бути встановлений і запущений. Docker безкоштовний для особистого використання.

Три рекомендовані варіанти:

Репозиторій Kokoro-FastAPI Репозиторій openedai-speech Репозиторій kokoro-web

Сервер	Модель	GPU	Диск	Порт за замовчуванням
Kokoro-FastAPI Рекомендовано	Kokoro 82M	Необов’язково	~2 ГБ	8880
openedai-speech (Piper) Легкий	Piper TTS	Лише CPU	<1 ГБ	8000
kokoro-web	Kokoro 82M	Необов’язково	~2 ГБ	3000

Який пакет підходить?

Пакет	Основна перевага	Компроміс
Вбудований Kokoro	Найкращий початковий вибір: без сервера, висока якість, приватність, працює в браузері та настільному застосунку.	Без клонування голосу.
Kokoro-FastAPI	Сервер, сумісний з OpenAI, просте налаштування Docker, CPU або GPU, багато голосів Kokoro.	Без справжнього клонування голосу; змішування голосів і власні голосові функції залежать від збірки сервера.
openedai-speech	Легка кінцева точка, сумісна з OpenAI; Piper добре працює на CPU, а XTTS додає клонування з орієнтиром близько 4 ГБ VRAM.	У репозиторії зазначено, що проєкт переважно застарів, тож вважайте його корисним, але без гарантій на майбутнє.
Сервери Chatterbox	Клонування голосу, варіанти вебінтерфейсу, API, сумісні з OpenAI, інструменти для довгих текстів.	Для деяких збірок підтримка CUDA/GPU зручніша за CPU; налаштування залежить від відгалуження сервера.
GPT-SoVITS	Потужне клонування/керування з короткими зразками та підтримкою транскриптів.	За замовчуванням несумісний з OpenAI; використовуйте режим мосту SSN.
F5-TTS	Природне клонування zero-shot із WAV-зразком і транскриптом.	Офіційний проєкт не є простою кінцевою точкою OpenAI; використовуйте обгортку або режим мосту.
Qwen3-TTS	Сучасне клонування та створення голосів, зокрема менші моделі 0.6B/1.7B.	Насамперед бібліотека/демонстрація; для SSN потрібна обгортка.
MisoTTS	Високоякісна генерація мовлення за запитом.	Не підходить для локального запуску з 6 ГБ VRAM; за потреби використовуйте віддалений/власний хостинг.

Клонування голосу — не окремий режим SSN. Це функція деяких локальних серверів TTS. SSN надсилає текст чату на локальну кінцеву точку; сервер вибирає клонований голос зі збереженого еталонного аудіофайлу, профілю голосу або конфігурації мосту.

Типовий процес

Запишіть чистий еталонний фрагмент, зазвичай від 3 до 30 секунд мовлення однієї людини з мінімальним фоновим шумом.
Деяким рушіям також потрібен точний транскрипт цього еталонного запису.
Локальний сервер перетворює еталон на голосову підказку, векторне представлення або профіль голосу.
SSN надсилає текст чату наживо до кінцевої точки через ttsprovider=customtts.
Сервер повертає аудіофайл, придатний для відтворення, зазвичай WAV або MP3, і SSN відтворює його в доку/браузерному джерелі.

Використовуйте лише голоси, на які отримано згоду. Клонований голос може звучати як голос справжньої людини, тому використовуйте лише власні голоси, голоси з дозволом на використання або з чіткою ліцензією для цієї мети.

XTTS-v2 за замовчуванням призначений для некомерційного використання. Coqui Public Model License дозволяє лише некомерційне використання моделі та її результатів. Стрім із монетизацією може не відповідати цій умові, тому перевірте ліцензію або отримайте окремий дозвіл, перш ніж використовувати XTTS-v2 комерційно.

Для 6 ГБ VRAM або менше спочатку орієнтуйтеся на невеликі моделі клонування zero-shot і сервери, сумісні з OpenAI. Більші моделі також можуть працювати через ту саму кінцеву точку SSN, якщо користувач розміщує їх деінде.

XTTS / openedai-speech chatterbox-tts-api Chatterbox-TTS-Server GPT-SoVITS F5-TTS Qwen3-TTS MisoTTS

Варіант	Клонування голосу	Уміщується в 6 ГБ VRAM	Шлях API для SSN
Qwen3-TTS 0.6B Base	3-секундний еталонний аудіозапис	Імовірно	Використовуйте обгортку, сумісну з OpenAI, а потім `ttsprovider=customtts`
XTTS-v2 / openedai-speech	Короткі еталонні записи голосу у WAV	Так, openedai-speech повідомляє про приблизно 4 ГБ	`/v1/audio/speech`
Chatterbox Turbo / Server	Клонування за еталонним аудіо	Імовірно, за використання Turbo / невеликих фрагментів	Серверні збірки, сумісні з OpenAI, або міст
GPT-SoVITS	5 секунд для zero-shot, 1 хвилина для few-shot	Імовірно з fp16 / полегшеним установленням	Використовуйте `scripts/local-tts-bridge.cjs --mode gptsovits`
F5-TTS	WAV-зразок + транскрипт	Можливо; залежить від збірки та вокодера	Використовуйте обгортку, сумісну з OpenAI, або `--mode f5` для серверних обгорток F5-TTS
MisoTTS 8B	Аудіоконтекст запиту	Ні; проєкт рекомендує 24 ГБ VRAM	Лише віддалена/власна кінцева точка

Найкращий формат цільової точки SSN: приймати POST /v1/audio/speech з { model, input, voice, response_format, speed } і повертати аудіофайл, придатний для відтворення. Це охоплює OpenAI, Coqui/XTTS, обгортки Kokoro, Qwen і більшість проксі-сервісів.

Це практичні відправні точки, а не суворі гарантії. Версія моделі, квантування, довжина тексту, образ Docker і фонові застосунки можуть змінювати споживання пам’яті.

Варіант	Мінімальні практичні вимоги до комп’ютера	Хороший варіант	Примітки
Системний TTS / eSpeak	Будь-який сучасний ПК	Будь-який ПК	Швидко, низька якість, без клонування.
Вбудований Kitten	Слабкий CPU, 4 ГБ RAM	Сучасний CPU ноутбука, 8 ГБ RAM	Невелика модель ONNX, швидкий запуск.
Вбудований Piper	Сучасний CPU, 4–8 ГБ RAM	Сучасний CPU, 8 ГБ RAM	Хороший варіант нейронного голосу з низьким споживанням ресурсів.
Вбудований Kokoro	Сучасний CPU, 8 ГБ RAM	GPU з підтримкою WebGPU або швидкий CPU, 8–16 ГБ RAM	Найкраща якість без налаштування. Перше завантаження отримує ресурси моделі.
Kokoro-FastAPI	Хост Docker на CPU, 8 ГБ RAM	NVIDIA GPU необов’язковий, 8–16 ГБ RAM	Хороший локальний сервер, коли завантаження моделі в браузері незручне.
openedai-speech Piper	CPU, 4–8 ГБ RAM	CPU, 8 ГБ RAM	Легкий сервер, сумісний з OpenAI.
openedai-speech XTTS	NVIDIA GPU з приблизно 4 ГБ VRAM, 8–16 ГБ RAM	NVIDIA GPU з 6 ГБ+, 16 ГБ RAM	Шлях клонування голосу; CPU можливий, але повільний.
Сервери Chatterbox	CPU може працювати з деякими збірками, але повільно	NVIDIA GPU з 6 ГБ+, 16 ГБ RAM	Використовуйте GPU для клонування або обробки довгого тексту.
GPT-SoVITS / F5-TTS / Qwen3-TTS	CPU лише для перевірки, повільно	NVIDIA GPU з 6 ГБ+ для менших/оптимізованих моделей, 16 ГБ RAM	Вибір обгортки й розмір моделі мають значення. Очікуйте більше налаштувань.
MisoTTS 8B	Не рекомендовано локально з 6 ГБ VRAM	24 ГБ VRAM або віддалений хост	Репозиторій рекомендує GPU з великим обсягом VRAM для інтерактивного використання.

Це власні рішення для клонування голосу, перевірені на сумісність із SSN. Шлях локальної кінцевої точки перевірено з обома dock.html і featured.html.

SSN приймає прямі двійкові аудіовідповіді, JSON-відповіді з аудіо в base64 та JSON-відповіді з URL аудіо. Поточне відтворення власного/локального TTS буферизує отримане аудіо перед відтворенням; поступове потокове відтворення ще не підтримується.

Сервер	Шлях SSN	Примітки
openedai-speech	Безпосередньо або через міст	Сумісний з OpenAI `/v1/audio/speech`. Режим Piper перевірено зі справжнім синтезом на CPU з `dock.html` і `featured.html`, безпосередньо та через міст. Якщо запускаєте з вихідного коду у Windows, переконайтеся, що папка `Scripts` віртуального середовища є в `PATH` , щоб `piper.exe` і `ffmpeg.exe` можна було знайти.
chatterbox-tts-api	Безпосередньо або через міст	Сумісний з OpenAI `/v1/audio/speech`. Використовує налаштований еталонний аудіозапис для клонування. Формат API перевірено безпосередньо та через міст.
Chatterbox-TTS-Server	Безпосередньо або через міст	Кінцева точка, сумісна з OpenAI, і вебінтерфейс. Перевірено зі справжнім синтезом на CPU за допомогою `Emily.wav` з `dock.html` і `featured.html`, безпосередньо та через міст.
GPT-SoVITS	Режим мосту	Запустіть міст SSN із `--mode gptsovits`; цільовий сервер — `/tts`, несумісний з OpenAI.
F5-TTS_server	Режим мосту	Запустіть міст SSN із `--mode f5`; цільовий сервер використовує `GET /synthesize_speech/`.
Офіційний F5-TTS	Потрібна обгортка	Насамперед CLI, Gradio та сокет-сервер. Використовуйте обгортку, сумісну з OpenAI, або режим мосту F5 з обгорткою.
Qwen3-TTS	Потрібна обгортка	Насамперед бібліотека й демонстрація Gradio. Хороший кандидат для невеликої обгортки, сумісної з OpenAI, навколо `generate_voice_clone`.
MisoTTS	Лише віддалений/власний	Клонування голосу підтримується, але модель 8B не розрахована на 6 ГБ VRAM, а репозиторій не має локальної REST-кінцевої точки.

Kokoro-FastAPI запускає модель Kokoro 82M як локальний сервер з API, сумісним з OpenAI. Він працює на CPU (GPU не потрібен) і має чудову якість голосу.

Установлення через Docker

Відкрийте термінал (Command Prompt, PowerShell або Terminal) і виконайте одну з таких команд:

CPU (працює на будь-якому комп’ютері):

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

GPU (лише NVIDIA — швидший синтез):

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

Перший запуск: Docker завантажить образ (~1,5–2 ГБ). Це відбувається лише один раз. Після цього сервер запускається за кілька секунд.

Перевірте, що він працює

Відкрийте браузер і перейдіть на http://localhost:8880/web/— має з’явитися вебінтерфейс, де можна перевіряти голоси.

Доступні голоси

Доступно понад 67 голосів. Кілька прикладів:

af_bella, af_sarah, af_nicole, af_sky, af_heart (American female) am_adam, am_michael (American male) bf_emma, bf_isabella (British female) bm_george, bm_lewis (British male)

Переглядайте й перевіряйте всі голоси на http://localhost:8880/web/ після запуску сервера.

URL SSN

Якщо Kokoro-FastAPI працює на тому самому комп’ютері, що й OBS:

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

Якщо Kokoro-FastAPI працює на іншому комп’ютері, замініть 192.168.x.x на LAN IP-адресу того комп’ютера:

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://192.168.x.x:8880/v1/audio/speech&voiceopenai=af_bella

Назви голосів Kokoro відрізняються від назв голосів OpenAI. Для Kokoro-FastAPI використовуйте голоси на кшталт af_bella, af_sarah, am_adam, або bf_emma. Назви на кшталт echo, nova, і alloy — це назви у стилі OpenAI/openedai-speech, які можуть не працювати з Kokoro.

Залишайте сервер запущеним

Щоб Kokoro-FastAPI автоматично працював у фоні, використовуйте прапорець перезапуску Docker:

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

Тепер він автоматично запускатиметься разом із Docker Desktop після кожного перезавантаження.

openedai-speech надає сумісну з OpenAI кінцеву точку /v1/audio/speech , яка потрібна Social Stream. Його малий образ запускає Piper на CPU; повний образ може виконувати клонування голосу XTTS-v2 на підтримуваному GPU.

Архівований проєкт: openedai-speech архівовано в січні 2026 року, і він описує себе як переважно застарілий. Це досі корисний приклад сумісності, але він більше не підтримується. Використовуйте його локально й не відкривайте його порт без автентифікації в публічний Інтернет.

Варіант A: легкий Piper

Використовуйте цей варіант для сервера TTS лише на CPU розміром до 1 ГБ. Він не містить XTTS-v2 чи клонування голосу.

Установлення через Docker Compose

1

Клонуйте репозиторій або створіть папку з таким docker-compose.min.yml. Або виконайте наведені нижче команди безпосередньо.

2

Запустіть мінімальний образ лише з Piper:

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

Примітка про встановлення з вихідного коду у Windows

Якщо ви запускаєте openedai-speech із локального репозиторію замість Docker, додайте папку скриптів його віртуального середовища до PATH перед запуском сервера. Без цього запити можуть повертати HTTP 500, оскільки сервер не може знайти piper.exe або ffmpeg.exe.

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

Доступні голоси

openedai-speech використовує назви голосів у стилі OpenAI, зіставлені з голосами Piper:

alloy, echo, fable, onyx, nova, shimmer

URL SSN

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=openai&openaiendpoint=http://localhost:8000/v1/audio/speech&voiceopenai=nova

Варіант B: клонування голосу XTTS-v2

Сам XTTS-v2 — це модель, а не веб-API. Використовуйте повний сервер openedai-speech, щоб завантажити модель, вибрати збережений еталонний голос, приймати текст чату від SSN і повертати придатне для відтворення аудіо. Сервер указує практичний орієнтир приблизно 4 ГБ GPU VRAM; обчислення на CPU можливі, але повільні.

Не використовуйте openedai-speech-min для XTTS-v2. Мінімальний образ містить лише Piper. XTTS-v2 потребує повного встановлення та model=tts-1-hd в кожному запиті мовлення.

1

Клонуйте архівований сервер, створіть файл його середовища й запустіть повну конфігурацію Docker Compose із підтримкою GPU:

git clone https://github.com/matatonic/openedai-speech.git cd openedai-speech Copy-Item sample.env speech.env docker compose up -d

У macOS або Linux використовуйте cp sample.env speech.env замість Copy-Item. Docker повинен мати доступ до підтримуваного GPU. Модель завантажується під час першого використання.

2

Підготуйте чистий еталонний запис, на використання якого є згода. Хороша відправна точка — монофонічний WAV із частотою 22050 Гц тривалістю від 6 до 30 секунд:

ffmpeg -i input.mp3 -ac 1 -ar 22050 -t 6 -y voices/me.wav

3

Додайте клонований голос до наявного розділу tts-1-hd у config/voice_to_speaker.yaml:

tts-1-hd: me: model: xtts speaker: voices/me.wav language: en

Збережіть усі наявні голоси, уже перелічені під tts-1-hd. Змініть me на назву голосу, яку SSN має надсилати, і за потреби використовуйте правильний код мови XTTS.

4

Перезапустіть сервер, а потім спрямуйте на нього док SSN або оверлей вибраних повідомлень:

docker compose restart

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://127.0.0.1:8000/v1/audio/speech&openaimodel=tts-1-hd&voiceopenai=me&openaiformat=wav

openaimodel=tts-1-hd потрібен для XTTS-v2. Якщо його не вказано, Social Stream надсилає своє стандартне значення tts-1, і openedai-speech натомість вибирає Piper. Значення voiceopenai має відповідати назві клонованого голосу в voice_to_speaker.yaml.

Якщо браузер або OBS блокує прямий запит, запустіть Міст локального TTS на комп’ютері з OBS і збережіть ті самі параметри моделі й голосу, змінюючи openaiendpoint до http://127.0.0.1:8124/v1/audio/speech.

Міст — це невелика локальна допоміжна програма. Вона приймає браузерний запит SSN, звертається до вашого сервера TTS, а потім повертає аудіо в SSN із заголовками, придатними для браузера.

Найпростіше правило: запустіть міст на тому самому комп’ютері, що й OBS. Тоді OBS зможе використовувати http://127.0.0.1:8124/v1/audio/speech, навіть якщо справжній сервер TTS працює на іншому комп’ютері.

Схема, на якій OBS звертається до локального мосту, а міст — до сервера TTS — Браузерне джерело OBS звертається до мосту на комп’ютері з OBS. Міст потім може звернутися до Kokoro-FastAPI, openedai-speech або іншого сервера.

Окрема початкова папка — local-tts-bridge/; див. README мосту щодо всіх варіантів запуску.

Проксі, сумісний з OpenAI

Windows PowerShell, коли сервер TTS працює на цьому самому комп’ютері:

$env:SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" npm run local-tts-bridge

Windows PowerShell, коли сервер TTS працює на іншому комп’ютері:

$env:SSN_TTS_TARGET="http://192.168.x.x:8880/v1/audio/speech" npm run local-tts-bridge

Термінал macOS/Linux:

SSN_TTS_TARGET="http://127.0.0.1:8880/v1/audio/speech" npm run local-tts-bridge

Потім спрямуйте OBS dock.html URL 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

Режим проксі GPT-SoVITS

GPT-SoVITS використовує власний /tts формат JSON, тому міст може перетворити запит SSN, сумісний з OpenAI, на тіло запиту GPT-SoVITS.

$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" npm run local-tts-bridge -- --mode gptsovits

dock.html?session=YOUR_SESSION&speech=en-US&ttsprovider=customtts&openaiendpoint=http://127.0.0.1:8124/v1/audio/speech&openaiformat=wav

Режим проксі сервера F5-TTS

Деякі серверні обгортки F5-TTS надають /synthesize_speech/?text=...&voice=... замість кінцевої точки, сумісної з OpenAI. Міст може перетворити запит SSN на цей формат запиту.

$env:SSN_TTS_TARGET="http://127.0.0.1:7860/synthesize_speech/" npm run local-tts-bridge -- --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

Кінцева точка мосту: http://127.0.0.1:8124/v1/audio/speech. Змініть порт за допомогою SSN_TTS_BRIDGE_PORT=8125 за потреби.

Усі наведені вище власні сервери використовують той самий спосіб підключення — вбудовану в Social Stream підтримку: Кінцева точка OpenAI TTS з власною локальною URL-адресою.

Параметри URL

Параметр	Значення	Опис
`ttsprovider`	`customtts` або `openai`	Використовуйте шлях TTS, сумісний з OpenAI. Використовуйте `customtts` для локальних/власних кінцевих точок.
`openaiendpoint`	`http://localhost:8880/v1/audio/speech`	URL вашого локального сервера (за потреби змініть порт)
`speech`	`en-US`	Умикає TTS для англійської
`voiceopenai`	`af_bella`	Назва голосу (залежить від сервера)
`openaiformat`	`mp3`	Формат аудіо: mp3, wav, opus, flac
`openaispeed`	`1.0`	Швидкість мовлення (0,5–2,0)

Псевдоніми кінцевої точки: customttsendpoint і localttsendpoint також працюють. customttsvoice, localttsvoice, customttsmodel, localttsmodel, customttsformat, і localttsformat — це прийнятні псевдоніми полів у стилі OpenAI.

Перевірте кінцеву точку й голос, перш ніж налагоджувати звук. openaiendpoint має бути доступна зі сторінки, яка відтворює TTS, а voiceopenai має бути голосом, який підтримує ваш сервер. Kokoro-FastAPI використовує назви на кшталт af_bella; openedai-speech часто використовує назви на кшталт nova або echo.

Повні приклади URL

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

Додаткові параметри TTS

Вони працюють із будь-яким постачальником TTS, зокрема локальними серверами:

Параметр	Приклад	Опис
`simpletts`	`&simpletts`	Пропускати «says» — читати лише повідомлення
`simpletts2`	`&simpletts2`	Повністю пропускати імена користувачів
`volume`	`&volume=0.8`	Рівень гучності (0,0–1,0)
`skipmessages`	`&skipmessages=3`	Читати лише кожне третє повідомлення
`ttscommand`	`&ttscommand=!say`	Читати лише повідомлення, що починаються з !say
`readevents`	`&readevents`	Також читати підписки, донати тощо.
`ttsquick`	`&ttsquick=100`	Навмисно обрізає озвучення після цієї кількості символів. Приберіть параметр, якщо повідомлення обриваються.

API-ключ не потрібен. За використання локального сервера (URL не на openai.com) Social Stream Ninja надсилає запит без заголовка Authorization. Налаштовувати ключ не потрібно.

Вбудовані браузерні варіанти, які варто підтримувати

SSN уже підтримує системний/браузерний speechSynthesis, вбудовані Kokoro, Piper, Kitten та eSpeak. Найкориснішими майбутніми доповненнями в браузері були б вибір пристрою виведення звуку там, де setSinkId доступний, більше голосів Piper і окремий шлях поступового потокового відтворення для серверів, здатних передавати аудіофрагменти потоком.

Спосіб захоплення звуку TTS в OBS залежить від того, як ви запускаєте Social Stream Ninja.

Спосіб 1 — браузерне джерело OBS Рекомендовано

Це найпростіший спосіб, який працює для усіх постачальників TTS (вбудований і власний сервер).

1

В OBS додайте нове Джерело браузера (Browser Source)

2

Установіть URL на свій dock.html URL із параметрами TTS

3

Перевірте «Керувати звуком через OBS» у налаштуваннях браузерного джерела

4

Натисніть OK— звук TTS тепер з’явиться як джерело звуку OBS, яке можна регулювати або маршрутизувати

5

Натисніть браузерне джерело один раз у попередньому перегляді, щоб дозволити автоматичне відтворення звуку браузера

Чому це працює: Вбудований TTS і TTS власного сервера відтворюють звук через аудіоконтекст браузера, а не синтез мовлення ОС. OBS може захоплювати звук браузера безпосередньо, коли ввімкнено «Control audio via OBS».

Спосіб 2 — настільний застосунок SSN + звук робочого столу

Якщо ви використовуєте окремий настільний застосунок Social Stream Ninja, а не браузерне джерело OBS:

1

Звук TTS із застосунку відтворюється через системні динаміки/навушники

2

В OBS додайте Захоплення вхідного аудіопотоку або Захоплення звуку робочого столу джерело

3

Якщо потрібно відокремити TTS від іншого звуку робочого столу, використовуйте віртуальний аудіокабель:

Windows: VB-Audio Virtual Cable (безкоштовно)
Установіть CABLE Input як вихід застосунку SSN у налаштуваннях звуку Windows
Захоплення CABLE Output в OBS через захоплення вхідного аудіопотоку

Посилання щодо маршрутизації звуку у Windows

VB-Audio Virtual Cable Voicemeeter Audio Router (застарілий)

Маршрутизація окремого застосунку у Windows 10

1

Відкрити Sound Settings > App volume and device preferences.

2

Знайдіть браузер або застосунок SSN у списку застосунків.

3

Установіть Output на CABLE Input (VB-Audio Virtual Cable).

4

В OBS додайте Захоплення вхідного аудіопотоку і виберіть CABLE Output.

Маршрутизація окремого застосунку у Windows 11

1

Відкрити Settings > System > Sound > Volume Mixer.

2

Знайдіть браузер або застосунок SSN.

3

Установіть Output device на CABLE Input (VB-Audio Virtual Cable).

4

В OBS додайте Захоплення вхідного аудіопотоку і виберіть CABLE Output.

Програма Audio Router

Audio Router може спрямувати окремий застосунок на віртуальний кабель, але це старіша програма. Віддавайте перевагу маршрутизації окремого застосунку у Windows, коли вона працює.

1

Установіть Audio Router.

2

Спрямуйте браузер або застосунок SSN на CABLE Input.

3

В OBS захоплюйте CABLE Output.

Розширена маршрутизація Voicemeeter

Voicemeeter найкраще підходить, коли потрібно чути TTS локально, направляти його в OBS і тримати окремо від музики/звуку гри.

1

Установіть Voicemeeter і зробіть його виходом Windows за замовчуванням.

2

Установіть Hardware Out на свої динаміки/навушники.

3

Спрямуйте віртуальний вихід в OBS як джерело захоплення вхідного аудіопотоку.

Системний TTS (?speech=en-US без постачальника) залежить від голосів, які надає браузер. OBS може не надавати голосів або показувати голоси, звук яких неможливо захопити. Перевіряйте мовлення й запис OBS окремо. Використовуйте одного з наведених вище постачальників (kokoro, piperтощо).

Варіант	Налаштування	Якість	Приватний	OBS (браузерне джерело)	Потрібен GPU	Вартість
Вбудований Kokoro	Немає	⭐⭐⭐⭐⭐	Так	Так	Ні (з ним швидше)	Безкоштовно
Вбудований Piper	Немає	⭐⭐⭐⭐	Так	Так	Ні	Безкоштовно
Вбудований Kitten	Немає	⭐⭐⭐	Так	Так	Ні	Безкоштовно
Вбудований eSpeak	Немає	⭐⭐	Так	Так	Ні	Безкоштовно
Kokoro-FastAPI	Docker	⭐⭐⭐⭐⭐	Так	Так	Ні (необов’язково)	Безкоштовно
openedai-speech	Docker	⭐⭐⭐⭐	Так	Так	Ні	Безкоштовно
ElevenLabs	API-ключ	⭐⭐⭐⭐⭐	Ні	Так	Ні	Платні тарифи
Системне озвучення	Немає	⭐⭐	Так	Ні*	Ні	Безкоштовно

* Для захоплення системного TTS в OBS потрібна маршрутизація через віртуальний аудіокабель.

Контрольний список усунення несправностей локального TTS у вигляді знімка екрана — Коли TTS працює в одному місці, але не працює в іншому, перевіряйте комп’ютер, кінцеву точку, голос, дозвіл браузера та захоплення звуку OBS саме в такому порядку.

Перевірка в застосунку SSN працює, але в OBS немає звуку

Перевірка в застосунку доводить лише те, що застосунок може зв’язатися із сервером. Браузерне джерело OBS усе одно має дістатися кінцевої точки та відтворити звук.

Якщо OBS і сервер TTS працюють на різних комп’ютерах, замініть 127.0.0.1 на LAN IP комп’ютера із сервером TTS.
Переконайтеся, що браузерне джерело OBS має Керувати звуком через OBS (Control audio via OBS) увімкнено.
Спробуйте міст локального TTS SSN на комп’ютері з OBS, якщо браузер блокує запит.

Читається лише перша літера або кілька перших слів

Перевірте фактичну URL-адресу в OBS на наявність ttsquick. Цей параметр навмисно скорочує озвучуваний текст.
Якщо ви бачите &ttsquick=14 або інше мале число, приберіть його й оновіть браузерне джерело OBS.
Якщо ви використовуєте typewriter=, тимчасово приберіть його під час перевірки. TTS зазвичай використовує початкове повідомлення, але вимкнення візуальних ефектів — швидкий спосіб виключити проблеми з часом.

Локальний сервер не відповідає

Переконайтеся, що Docker працює, а контейнер досі запущений.
На комп’ютері із сервером TTS відкрийте http://127.0.0.1:8880/web/ для Kokoro-FastAPI або відповідний порт вашого сервера.
На комп’ютері з OBS відкрийте http://SERVER_LAN_IP:8880/web/. Якщо вона не завантажується, OBS також не зможе використовувати цей сервер.
Перевірте брандмауер на комп’ютері сервера, якщо LAN IP не відкривається.

CORS або локальну мережу заблоковано

Якщо браузер повідомляє, що запит заблоковано через CORS, доступ до локальної чи приватної мережі або failed fetch, сервер TTS може взагалі не отримати запит.

Виконайте npm run local-tts-bridge на комп’ютері з OBS та спрямуйте SSN на http://127.0.0.1:8124/v1/audio/speech.
Якщо ви використовуєте розміщену бета-сторінку дока, браузер частіше блокує локальні HTTP-кінцеві точки. Міст або локальне вікно застосунку зазвичай простіші.

Неправильний голос або голос не знайдено

Kokoro-FastAPI: спробуйте af_bella, af_sarah, am_adamабо інший голос із вебінтерфейсу Kokoro.
openedai-speech: голоси на кшталт nova, echo, і alloy можуть бути правильними.
На деяких серверах назви голосів чутливі до регістру.

Звук відтворюється, але OBS його не захоплює

Переконайтеся, що Керувати звуком через OBS (Control audio via OBS) увімкнено у властивостях браузерного джерела.
Стежте за мікшером звуку OBS під час відтворення тестового повідомлення. Індикатор браузерного джерела має рухатися.
Переконайтеся, що ви не використовуєте лише системний TTS (?speech=en-US без &ttsprovider=). Системний TTS може потребувати захоплення звуку робочого столу або віртуального кабелю.

Образ Docker не знайдено

Теги образів Docker можуть змінюватися. Якщо команда з цього посібника перестала працювати, перевірте поточний тег на сторінці проєкту:

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

Огляд

Шлях 1 — вбудований TTS Без налаштування

Шлях 2 — власний сервер Потрібен Docker

Швидке налаштування

Правило localhost / 127.0.0.1

Де натискати в SSN

Процес із власним сервером

Формат запиту

CORS, розміщені сторінки та міст

Підтримувані аудіовідповіді

Потокове аудіо

Шлях 1 — вбудований TTS (без налаштування)

Як увімкнути

Параметри Kokoro TTS

Параметри Piper TTS

Параметри Kitten TTS

Параметри eSpeak-NG

Примітки для браузера та настільного застосунку

Шлях 2 — власний сервер TTS

Який пакет підходить?

Як працює клонування голосу

Типовий процес

Вимоги до комп’ютера

Примітки про перевірені сервери

Налаштування Kokoro-FastAPI

Установлення через Docker

CPU (працює на будь-якому комп’ютері):

GPU (лише NVIDIA — швидший синтез):

Перевірте, що він працює

Доступні голоси

URL SSN

Залишайте сервер запущеним

Налаштування openedai-speech (Piper і XTTS-v2)

Варіант A: легкий Piper

Установлення через Docker Compose

Примітка про встановлення з вихідного коду у Windows

Доступні голоси

URL SSN

Варіант B: клонування голосу XTTS-v2

Міст локального TTS

Проксі, сумісний з OpenAI

Режим проксі GPT-SoVITS

Режим проксі сервера F5-TTS

Підключення до Social Stream Ninja

Параметри URL

Повні приклади URL

Kokoro-FastAPI:

openedai-speech:

kokoro-web:

Додаткові параметри TTS

Вбудовані браузерні варіанти, які варто підтримувати

Передавання звуку в OBS

Спосіб 1 — браузерне джерело OBS Рекомендовано

Спосіб 2 — настільний застосунок SSN + звук робочого столу

Посилання щодо маршрутизації звуку у Windows

Маршрутизація окремого застосунку у Windows 10

Маршрутизація окремого застосунку у Windows 11

Програма Audio Router

Розширена маршрутизація Voicemeeter

Таблиця порівняння

Усунення несправностей

Перевірка в застосунку SSN працює, але в OBS немає звуку

Читається лише перша літера або кілька перших слів

Локальний сервер не відповідає

CORS або локальну мережу заблоковано

Неправильний голос або голос не знайдено

Звук відтворюється, але OBS його не захоплює

Образ Docker не знайдено