本地 AI TTS 指南

Social Stream Ninja可以使用本地AI文字转语音朗读聊天消息。“本地”有两种含义：语音在浏览器内运行，或者您在自己的电脑上运行小型文字转语音服务器。

有两种方式：

对大多数主播来说，这是最简便的方式：

这是最常见的本地文字转语音错误。

在Linux、macOS和Windows上，还需确保防火墙允许该端口，并且Docker已通过以下选项发布端口： -p 8880:8880.

在扩展弹出菜单中，打开文字转语音提供商选择器并选择 自定义／本地文字转语音端点。这样会显示OpenAI兼容的本地端点字段，以及返回本指南的链接。

SSN将本地／自托管文字转语音服务器视为OpenAI兼容的语音端点。核心流程如下：

请求格式

对于 ttsprovider=customtts, localtts，或 openai，SSN会向配置的端点发送JSON POST请求：

CORS、托管页面与桥接服务

CORS是浏览器权限检查。简单来说，文字转语音服务器需要告诉浏览器：“可以，这个页面获准向我请求音频。”如果没有这个许可，请求可能在Kokoro或其他文字转语音服务器收到之前就被拦截。

• 如果加载 dock.html 到Chrome或OBS中时，CORS可能会影响连接。
• 如果加载托管页面，例如 https://beta.socialstream.ninja/dock.html，Chrome也可能阻止对本地或私有HTTP地址的调用。
• 如果SSN应用内的测试按钮有效，但OBS浏览器源没有声音，请单独测试OBS。OBS有自己的浏览器环境。

如果服务器不允许浏览器请求，请运行 SSN本地文字转语音桥接服务 并将SSN指向 http://127.0.0.1:8124/v1/audio/speech。对于OBS，最简单的方式是在同一台电脑上运行桥接服务。

支持的音频响应

流式音频

SSN目前不支持自定义／本地文字转语音端点的渐进式播放。它会等待响应blob或JSON音频负载，再进行播放。某些上游服务器提供流式端点，但SSN当前的OpenAI兼容路径会在播放前进行缓冲。

实际建议：保持聊天朗读片段简短。流式支持需要单独的播放路径，使用流式WAV／MP3片段、MediaSource、WebCodecs或服务器端混音器。

这些引擎内置于Social Stream Ninja，无需安装。它们通过WebAssembly（WASM）或ONNX Runtime在浏览器中运行。

如何启用

添加 &ttsprovider= 和 &speech= 到您的Social Stream dock.html URL：

Kokoro文字转语音选项

SSN 目前列出 28 个英语、3 个西班牙语和 3 个巴西葡萄牙语 Kokoro 语音。使用以下参数指定一个语音： &voicekokoro=:

西班牙语示例：

葡萄牙语示例：

Piper文字转语音选项

通过以下参数指定音色模型： &pipervoice=:

提供葡萄牙语和西班牙语Piper音色：

Kitten文字转语音选项

eSpeak-NG选项

Chrome扩展、OBS浏览器源和Social Stream Ninja独立桌面应用均使用相同的 dock.html 文字转语音URL参数。重要区别在于声音由哪里生成。

如果需要更多音色、声音克隆，或可供多种工具共用的专用服务器，可以运行本地文字转语音服务器。Social Stream Ninja通过其内置的以下功能连接： OpenAI兼容文字转语音端点 功能，本地服务器无需API密钥。

三个推荐选项：

哪种软件包合适？

声音克隆不是单独的SSN模式，而是某些本地文字转语音服务器中的功能。SSN将聊天文本发送到本地端点，服务器再根据保存的参考音频文件、声音配置或桥接配置选择克隆音色。

典型流程

1. 录制干净的参考片段，通常为3至30秒的单人说话，背景噪声应很少。
2. 某些引擎还要求参考片段的准确转录文本。
3. 本地服务器将参考录音转换为说话人提示、嵌入或声音配置。
4. SSN通过以下方式将实时聊天文本发送到端点： ttsprovider=customtts.
5. 服务器返回可播放的音频文件，通常为WAV或MP3，SSN再在停靠面板／浏览器源中播放。

显存为6 GB或更少时，优先选择小型零样本声音克隆模型和OpenAI兼容服务器。较大模型也可以通过同一个SSN端点使用，只要用户将其托管在其他地方。

这些是实用的起点，而非硬性保证。模型版本、量化、文本长度、Docker镜像和后台应用都会影响内存使用。

这些自托管声音克隆目标已检查过SSN兼容性。本地端点路径已针对以下两者进行测试： dock.html 和 featured.html.

SSN接受直接二进制音频响应、包含base64音频的JSON响应，以及包含音频URL的JSON响应。当前自定义／本地播放会先缓冲返回的音频再播放；尚不支持渐进式流式播放。

Kokoro-FastAPI 将Kokoro 82M模型作为本地服务器运行，提供OpenAI兼容API。它可使用CPU，无需GPU，并拥有出色的音质。

使用Docker安装

打开终端（命令提示符、PowerShell或Terminal），运行以下命令之一：

CPU（任何电脑均可使用）：

GPU（仅NVIDIA，合成速度更快）：

验证服务是否运行

打开浏览器并访问 http://localhost:8880/web/— 应看到可测试音色的网页界面。

可用音色

可用音色超过67种。部分示例：

在此浏览并测试所有音色： http://localhost:8880/web/ ，在服务器运行后。

SSN URL

如果Kokoro-FastAPI与OBS位于同一台电脑：

如果Kokoro-FastAPI在另一台电脑上，请替换 192.168.x.x 替换为那台电脑的局域网IP地址：

保持服务器运行

要让Kokoro-FastAPI在后台自动保持运行，请使用Docker的重启标志：

现在，每次重启时它都会随Docker Desktop自动启动。

openedai-speech 提供OpenAI兼容的 /v1/audio/speech 端点，正是Social Stream所需的格式。其小型镜像在CPU上运行Piper，完整镜像则可在支持的GPU上运行XTTS-v2声音克隆。

方案A：轻量级Piper

此选项适用于小于1 GB、仅使用CPU的文字转语音服务器，不包含XTTS-v2或声音克隆。

使用Docker Compose安装

Windows源码安装说明

如果从本地仓库而非Docker运行openedai-speech，请将其虚拟环境的脚本文件夹加入 PATH ，然后再启动服务器。否则，请求可能返回HTTP 500，因为服务器找不到 piper.exe 或 ffmpeg.exe.

可用音色

openedai-speech使用OpenAI风格的音色名称，并映射到Piper音色：

SSN URL

方案B：XTTS-v2声音克隆

XTTS-v2本身是模型，而不是Web API。请使用完整的openedai-speech服务器来加载模型、选择已保存的参考音色、接收SSN的聊天文本，并返回可播放的音频。服务器报告的实用目标约为4 GB GPU显存；CPU推理也可行，但速度慢。

在macOS或Linux上使用 cp sample.env speech.env 而不是 Copy-Item。Docker必须能访问受支持的GPU。首次使用时会下载模型。

保留已列在以下条目中的现有音色： tts-1-hd。更改 me 改为希望SSN发送的音色名称，并在需要时使用正确的XTTS语言代码。

如果浏览器或OBS阻止直接请求，请运行 本地文字转语音桥接服务 ，在OBS电脑上运行，更改以下值时保持模型和音色参数不变： openaiendpoint 为 http://127.0.0.1:8124/v1/audio/speech.

桥接服务是一个小型本地辅助程序。它接收SSN的浏览器请求，与文字转语音服务器通信，再将音频连同适合浏览器的响应头返回给SSN。

独立启动包文件夹为 local-tts-bridge/；请参阅 桥接服务README 以查看所有启动选项。

OpenAI兼容代理

Windows PowerShell，文字转语音服务器在同一台电脑时：

Windows PowerShell，文字转语音服务器在另一台电脑时：

macOS／Linux终端：

然后将OBS的 dock.html URL指向桥接服务：

GPT-SoVITS代理模式

GPT-SoVITS使用自己的 /tts JSON格式，因此桥接服务可以将SSN的OpenAI兼容请求转换为GPT-SoVITS请求体。

F5-TTS服务器代理模式

某些F5-TTS服务器封装提供 /synthesize_speech/?text=...&voice=... ，而不是OpenAI兼容端点。桥接服务可以将SSN请求转换为该查询格式。

以上所有自托管服务器都使用相同的连接方式，即Social Stream内置的 OpenAI文字转语音端点 功能，并使用自定义本地URL。

URL参数

完整示例URL

Kokoro-FastAPI：

openedai-speech：

kokoro-web：

其他文字转语音选项

这些选项适用于任何文字转语音提供商，包括本地服务器：

值得支持的内置浏览器选项

SSN已支持操作系统／浏览器的 speechSynthesis、内置Kokoro、Piper、Kitten和eSpeak。今后最实用的浏览器端改进是音频输出设备选择器，在以下条件下使用： setSinkId 可用时，以及更多Piper音色选项，并为能流式输出音频片段的服务器提供专用的渐进式流式播放路径。

在OBS中捕获文字转语音音频的方法，取决于您如何运行Social Stream Ninja。

方法1 — OBS浏览器源 推荐

这是最简单的方法，适用于 所有文字转语音提供商 （内置和自托管服务器）。

方法2 — SSN桌面应用＋桌面音频

如果使用Social Stream Ninja独立桌面应用，而不是OBS浏览器源：

Windows音频路由链接

Windows 10按应用路由

Windows 11按应用路由

Audio Router软件

Audio Router 可以将单个应用路由到虚拟音频线，但这是较旧的软件。如果Windows按应用路由可用，请优先使用它。

Voicemeeter高级路由

Voicemeeter 最适合需要在本地听到文字转语音、将其送入OBS，并与音乐或游戏音频分开的情况。

* 系统文字转语音需要通过虚拟音频线路由，才能由OBS捕获。

SSN应用内测试正常，但OBS没有声音

应用内测试只能证明应用能够访问服务器。OBS浏览器源仍需能够访问端点并播放音频。

• 如果OBS与文字转语音服务器位于不同电脑，请替换 127.0.0.1 替换为文字转语音服务器电脑的局域网IP。
• 请确保OBS浏览器源已设置 通过 OBS 控制音频 已勾选。
• 如果浏览器阻止请求，请尝试在OBS电脑上运行SSN本地文字转语音桥接服务。

只朗读第一个字母或前几个词

• 检查OBS实际使用的URL是否包含 ttsquick。该选项会有意缩短朗读文本。
• 如果看到 &ttsquick=14 或其他较小数值，请移除并刷新OBS浏览器源。
• 如果使用 typewriter=，请在测试时暂时移除。文字转语音通常使用原始消息，但移除视觉效果可快速排除时序问题。

本地服务器无响应

• 确认Docker正在运行，且容器仍处于启动状态。
• 在文字转语音服务器电脑上打开 http://127.0.0.1:8880/web/ 用于Kokoro-FastAPI，或使用服务器对应的端口。
• 在运行OBS的电脑上打开 http://SERVER_LAN_IP:8880/web/。如果无法加载，OBS也无法使用该服务器。
• 如果局域网IP无法加载，请检查服务器电脑的防火墙。

CORS或本地网络被阻止

如果浏览器提示请求被CORS、本地网络访问、私有网络访问或failed fetch阻止，文字转语音服务器可能根本没有收到请求。

• 运行 npm run local-tts-bridge ，在OBS电脑上运行，并将SSN指向 http://127.0.0.1:8124/v1/audio/speech.
• 如果使用托管的beta停靠面板页面，本地HTTP端点更容易被浏览器阻止。使用桥接服务或本地应用窗口通常更简单。

音色错误或找不到音色

• Kokoro-FastAPI：尝试 af_bella, af_sarah, am_adam，或Kokoro网页界面中的其他音色。
• openedai-speech：音色例如 nova, echo，以及 alloy 可能有效。
• 某些服务器的音色名称区分大小写。

可以播放音频，但OBS未捕获

• 请确保 通过 OBS 控制音频 已在浏览器源属性中勾选。
• 播放测试消息时，观察OBS音频混音器。浏览器源的电平表应有变化。
• 请确保没有只使用系统文字转语音（?speech=en-US 不带 &ttsprovider=）。系统文字转语音可能需要捕获桌面音频或使用虚拟音频线。

找不到Docker镜像

Docker镜像标签可能变化。如果本指南中的命令不再有效，请到项目页面查看当前标签：

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