本機 AI TTS 指南

Social Stream Ninja可以使用本機AI文字轉語音朗讀聊天訊息。「本機」有兩種含義：語音在瀏覽器內執行，或者您在自己的電腦上執行小型文字轉語音伺服器。

有兩種方式：

對大多數實況主來說，這是最簡便的方式：

這是最常見的本機文字轉語音錯誤。

在Linux、macOS和Windows上，還需確認防火牆允許該連接埠，而且Docker已透過以下選項發佈連接埠： -p 8880:8880.

在擴充功能彈出選單中，開啟文字轉語音提供者選擇器並選擇 自訂／本機文字轉語音端點。這樣會顯示OpenAI相容的本機端點欄位，以及返回本指南的連結。

SSN將本機／自行代管文字轉語音伺服器視為OpenAI相容的語音端點。核心流程如下：

請求格式

對於 ttsprovider=customtts, localtts，或 openai，SSN會向設定的端點傳送JSON POST請求：

CORS、代管頁面與橋接服務

CORS是瀏覽器權限檢查。簡單來說，文字轉語音伺服器需要告訴瀏覽器：「可以，這個頁面獲准向我請求音訊。」如果沒有這個許可，請求可能在Kokoro或其他文字轉語音伺服器收到之前就被攔截。

• 如果載入 dock.html 到Chrome或OBS中時，CORS可能會影響連線。
• 如果載入代管頁面，例如 https://beta.socialstream.ninja/dock.html，Chrome也可能阻止對本機或私人HTTP位址的呼叫。
• 如果SSN應用程式內的測試按鈕有效，但OBS瀏覽器來源沒有聲音，請單獨測試OBS。OBS有自己的瀏覽器環境。

如果伺服器不允許瀏覽器請求，請執行 SSN本機文字轉語音橋接服務 並將SSN指向 http://127.0.0.1:8124/v1/audio/speech。對於OBS，最簡單的方式是在同一台電腦上執行橋接服務。

支援的音訊回應

串流音訊

SSN目前不支援自訂／本機文字轉語音端點的漸進式播放。它會等待回應blob或JSON音訊酬載，再進行播放。某些上游伺服器提供串流端點，但SSN目前的OpenAI相容路徑會在播放前進行緩衝。

實際建議：保持聊天朗讀片段簡短。串流支援需要獨立的播放路徑，使用串流WAV／MP3片段、MediaSource、WebCodecs或伺服器端混音器。

這些引擎內建於Social Stream Ninja，不需安裝。它們透過WebAssembly（WASM）或ONNX Runtime在瀏覽器中執行。

如何啟用

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

Kokoro文字轉語音選項

SSN 目前列出 28 個英語、3 個西班牙語和 3 個巴西葡萄牙語 Kokoro 語音。使用以下參數指定一個語音： &voicekokoro=:

西班牙語範例：

葡萄牙語範例：

Piper文字轉語音選項

透過以下參數指定聲音模型： &pipervoice=:

提供葡萄牙語和西班牙語Piper聲音：

Kitten文字轉語音選項

eSpeak-NG選項

Chrome擴充功能、OBS瀏覽器來源和Social Stream Ninja獨立桌面應用程式皆使用相同的 dock.html 文字轉語音URL參數。重要差別在於聲音由哪裡產生。

如果需要更多聲音、聲音複製，或可供多種工具共用的專用伺服器，可以執行本機文字轉語音伺服器。Social Stream Ninja透過其內建的以下功能連接： OpenAI相容文字轉語音端點 功能，本機伺服器不需API金鑰。

三個建議選項：

哪種套件合適？

聲音複製不是獨立的SSN模式，而是某些本機文字轉語音伺服器中的功能。SSN將聊天文字傳送到本機端點，伺服器再根據儲存的參考音訊檔案、聲音設定檔或橋接設定選擇複製聲音。

典型流程

1. 錄製乾淨的參考片段，通常為3至30秒的單人說話，背景雜音應很少。
2. 某些引擎也要求參考片段的正確轉錄文字。
3. 本機伺服器將參考錄音轉換為說話者提示、嵌入或聲音設定檔。
4. SSN透過以下方式將即時聊天文字傳送到端點： ttsprovider=customtts.
5. 伺服器回傳可播放的音訊檔案，通常為WAV或MP3，SSN再在停駐面板／瀏覽器來源中播放。

顯示記憶體為6 GB或更少時，優先選擇小型零樣本聲音複製模型和OpenAI相容伺服器。較大模型也可以透過同一個SSN端點使用，只要使用者將其代管在其他地方。

這些是實用的起點，而非硬性保證。模型版本、量化、文字長度、Docker映像檔和背景應用程式都會影響記憶體使用。

這些自行代管聲音複製目標已檢查過SSN相容性。本機端點路徑已針對以下兩者進行測試： dock.html 和 featured.html.

SSN接受直接二進位音訊回應、包含base64音訊的JSON回應，以及包含音訊URL的JSON回應。目前自訂／本機播放會先緩衝回傳的音訊再播放；尚不支援漸進式串流播放。

Kokoro-FastAPI 將Kokoro 82M模型作為本機伺服器執行，提供OpenAI相容API。它可使用CPU，不需GPU，並擁有出色的音質。

使用Docker安裝

開啟終端機（命令提示字元、PowerShell或Terminal），執行以下指令之一：

CPU（任何電腦皆可使用）：

GPU（僅NVIDIA，合成速度更快）：

驗證服務是否執行

開啟瀏覽器並前往 http://localhost:8880/web/— 應看到可測試聲音的網頁介面。

可用聲音

可用聲音超過67種。部分範例：

在此瀏覽並測試所有聲音： http://localhost:8880/web/ ，在伺服器執行後。

SSN URL

如果Kokoro-FastAPI與OBS位於同一台電腦：

如果Kokoro-FastAPI在另一台電腦上，請替換 192.168.x.x 替換為那台電腦的區域網路IP位址：

保持伺服器執行

若要讓Kokoro-FastAPI在背景自動保持執行，請使用Docker的重新啟動旗標：

現在，每次重新啟動時它都會隨Docker Desktop自動啟動。

openedai-speech 提供OpenAI相容的 /v1/audio/speech 端點，正是Social Stream所需的格式。其小型映像檔在CPU上執行Piper，完整映像檔則可在支援的GPU上執行XTTS-v2聲音複製。

方案A：輕量級Piper

此選項適用於小於1 GB、僅使用CPU的文字轉語音伺服器，不包含XTTS-v2或聲音複製。

使用Docker Compose安裝

Windows原始碼安裝說明

如果從本機儲存庫而非Docker執行openedai-speech，請將其虛擬環境的指令碼資料夾加入 PATH ，然後再啟動伺服器。否則，請求可能回傳HTTP 500，因為伺服器找不到 piper.exe 或 ffmpeg.exe.

可用聲音

openedai-speech使用OpenAI風格的聲音名稱，並對應到Piper聲音：

SSN URL

方案B：XTTS-v2聲音複製

XTTS-v2本身是模型，而不是Web API。請使用完整的openedai-speech伺服器來載入模型、選擇已儲存的參考聲音、接收SSN的聊天文字，並回傳可播放的音訊。伺服器報告的實用目標約為4 GB GPU顯示記憶體；CPU推論也可行，但速度慢。

在macOS或Linux上使用 cp sample.env speech.env 而不是 Copy-Item。Docker必須能存取受支援的GPU。首次使用時會下載模型。

保留已列在以下項目中的現有聲音： tts-1-hd。變更 me 改為希望SSN傳送的聲音名稱，並在需要時使用正確的XTTS語言代碼。

如果瀏覽器或OBS阻止直接請求，請執行 本機文字轉語音橋接服務 ，在OBS電腦上執行，變更以下值時保持模型和聲音參數不變： openaiendpoint 為 http://127.0.0.1:8124/v1/audio/speech.

橋接服務是一個小型本機輔助程式。它接收SSN的瀏覽器請求，與文字轉語音伺服器通訊，再將音訊連同適合瀏覽器的回應標頭回傳給SSN。

獨立啟動套件資料夾為 local-tts-bridge/；請參閱 橋接服務README 以查看所有啟動選項。

OpenAI相容代理

Windows PowerShell，文字轉語音伺服器在同一台電腦時：

Windows PowerShell，文字轉語音伺服器在另一台電腦時：

macOS／Linux終端機：

然後將OBS的 dock.html URL指向橋接服務：

GPT-SoVITS代理模式

GPT-SoVITS使用自己的 /tts JSON格式，因此橋接服務可以將SSN的OpenAI相容請求轉換為GPT-SoVITS請求本文。

F5-TTS伺服器代理模式

某些F5-TTS伺服器封裝提供 /synthesize_speech/?text=...&voice=... ，而不是OpenAI相容端點。橋接服務可以將SSN請求轉換為該查詢格式。

以上所有自行代管伺服器都使用相同的連線方式，即Social Stream內建的 OpenAI文字轉語音端點 功能，並使用自訂本機URL。

URL參數

完整範例URL

Kokoro-FastAPI：

openedai-speech：

kokoro-web：

其他文字轉語音選項

這些選項適用於任何文字轉語音提供者，包括本機伺服器：

值得支援的內建瀏覽器選項

SSN已支援作業系統／瀏覽器的 speechSynthesis、內建Kokoro、Piper、Kitten和eSpeak。今後最實用的瀏覽器端改進是音訊輸出裝置選擇器，在以下條件下使用： setSinkId 可用時，以及更多Piper聲音選項，並為能串流輸出音訊片段的伺服器提供專用的漸進式串流播放路徑。

在OBS中擷取文字轉語音音訊的方法，取決於您如何執行Social Stream Ninja。

方法1 — OBS瀏覽器來源 建議

這是最簡單的方法，適用於 所有文字轉語音提供者 （內建和自行代管伺服器）。

方法2 — SSN桌面應用程式＋桌面音訊

如果使用Social Stream Ninja獨立桌面應用程式，而不是OBS瀏覽器來源：

Windows音訊路由連結

Windows 10依應用程式路由

Windows 11依應用程式路由

Audio Router軟體

Audio Router 可以將單一應用程式路由到虛擬音訊線，但這是較舊的軟體。如果Windows依應用程式路由可用，請優先使用它。

Voicemeeter進階路由

Voicemeeter 最適合需要在本機聽到文字轉語音、將其送入OBS，並與音樂或遊戲音訊分開的情況。

* 系統文字轉語音需要透過虛擬音訊線路由，才能由OBS擷取。

SSN應用程式內測試正常，但OBS沒有聲音

應用程式內測試只能證明應用程式能夠存取伺服器。OBS瀏覽器來源仍需能夠存取端點並播放音訊。

• 如果OBS與文字轉語音伺服器位於不同電腦，請替換 127.0.0.1 替換為文字轉語音伺服器電腦的區域網路IP。
• 請確認OBS瀏覽器來源已設定 透過 OBS 控制音訊 已勾選。
• 如果瀏覽器阻止請求，請嘗試在OBS電腦上執行SSN本機文字轉語音橋接服務。

只朗讀第一個字母或前幾個詞

• 檢查OBS實際使用的URL是否包含 ttsquick。該選項會刻意縮短朗讀文字。
• 如果看到 &ttsquick=14 或其他較小數值，請移除並重新整理OBS瀏覽器來源。
• 如果使用 typewriter=，請在測試時暫時移除。文字轉語音通常使用原始訊息，但移除視覺效果可快速排除時序問題。

本機伺服器無回應

• 確認Docker正在執行，且容器仍處於啟動狀態。
• 在文字轉語音伺服器電腦上開啟 http://127.0.0.1:8880/web/ 用於Kokoro-FastAPI，或使用伺服器對應的連接埠。
• 在執行OBS的電腦上開啟 http://SERVER_LAN_IP:8880/web/。如果無法載入，OBS也無法使用該伺服器。
• 如果區域網路IP無法載入，請檢查伺服器電腦的防火牆。

CORS或本機網路被阻止

如果瀏覽器提示請求被CORS、本機網路存取、私人網路存取或failed fetch阻止，文字轉語音伺服器可能根本沒有收到請求。

• 執行 npm run local-tts-bridge ，在OBS電腦上執行，並將SSN指向 http://127.0.0.1:8124/v1/audio/speech.
• 如果使用代管的beta停駐面板頁面，本機HTTP端點更容易被瀏覽器阻止。使用橋接服務或本機應用程式視窗通常更簡單。

聲音錯誤或找不到聲音

• Kokoro-FastAPI：嘗試 af_bella, af_sarah, am_adam，或Kokoro網頁介面中的其他聲音。
• openedai-speech：聲音例如 nova, echo，以及 alloy 可能有效。
• 某些伺服器的聲音名稱區分大小寫。

可以播放音訊，但OBS未擷取

• 請確認 透過 OBS 控制音訊 已在瀏覽器來源屬性中勾選。
• 播放測試訊息時，觀察OBS音訊混音器。瀏覽器來源的音量表應有變化。
• 請確認沒有只使用系統文字轉語音（?speech=en-US 不帶 &ttsprovider=）。系統文字轉語音可能需要擷取桌面音訊或使用虛擬音訊線。

找不到Docker映像檔

Docker映像檔標籤可能變更。如果本指南中的指令不再有效，請到專案頁面查看目前標籤：

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