Um servidor TTS compatível com OpenAI no seu próprio computador

Instalação

Você precisa do Python 3.10 ou mais novo. Instale o motor, o servidor web e o codificador de áudio:

pip install superclonica-cpu fastapi uvicorn av

Na primeira execução o motor baixa o modelo Supertonic 3, cerca de 400 MB; depois funciona offline num processador comum, e uma placa de vídeo NVIDIA só o deixa mais rápido.

O servidor

Salve isto como openai_tts.py:

import io, os, wave
import av
import numpy as np
from fastapi import FastAPI, Header, HTTPException
from fastapi.concurrency import run_in_threadpool
from fastapi.responses import Response
from pydantic import BaseModel
from superclonica import Superclonica

VOICES = {name: name for name in ["M1", "M2", "M3", "M4", "M5", "F1", "F2", "F3", "F4", "F5"]}
# a catalog voice: VOICES["narrator"] = "/path/to/voice-file-from-the-catalog"
LANGUAGE = os.environ.get("TTS_LANGUAGE", "en")
KEY = os.environ.get("TTS_KEY", "")  # leave empty on a private machine
app = FastAPI()
tts = Superclonica()

class Speech(BaseModel):
    input: str
    voice: str = "F1"
    model: str = "superclonica"
    response_format: str = "mp3"

def to_wav(pcm, rate):
    buffer = io.BytesIO()
    with wave.open(buffer, "wb") as file:
        file.setnchannels(1)
        file.setsampwidth(2)
        file.setframerate(rate)
        file.writeframes(pcm.tobytes())
    return buffer.getvalue()

def to_mp3(pcm, rate):
    buffer = io.BytesIO()
    with av.open(buffer, "w", format="mp3") as container:
        stream = container.add_stream("libmp3lame", rate=rate, layout="mono")
        frame = av.AudioFrame.from_ndarray(pcm.reshape(1, -1), format="s16", layout="mono")
        frame.rate = rate
        for packet in stream.encode(frame):
            container.mux(packet)
        for packet in stream.encode(None):
            container.mux(packet)
    return buffer.getvalue()

def speak(request):
    voice = VOICES.get(request.voice, "F1")
    audio, rate = tts.synthesize(request.input, voice=voice, lang=LANGUAGE)
    pcm = (np.clip(np.asarray(audio, dtype=np.float32).reshape(-1), -1, 1) * 32767).astype(np.int16)
    if request.response_format == "wav":
        return to_wav(pcm, rate), "audio/wav"
    if request.response_format == "pcm":
        return pcm.tobytes(), "audio/pcm"
    return to_mp3(pcm, rate), "audio/mpeg"

@app.post("/v1/audio/speech")
async def speech(request: Speech, authorization: str = Header("")):
    if KEY and authorization != "Bearer " + KEY:
        raise HTTPException(401)
    audio, media_type = await run_in_threadpool(speak, request)
    return Response(audio, media_type=media_type)

@app.get("/v1/models")
def models():
    return {"object": "list", "data": [{"id": "superclonica", "object": "model"}]}

@app.get("/v1/audio/voices")
def voices():
    return {"voices": list(VOICES)}

Inicie e ele responde na porta 8880:

uvicorn openai_tts:app --host 127.0.0.1 --port 8880

O campo voice aceita uma das dez vozes padrão, M1 a M5 e F1 a F5; nomes desconhecidos viram F1, então um cliente que envia alloy ainda recebe resposta. Defina TTS_LANGUAGE como o idioma do seu app: o motor fala 31 idiomas, mas ainda não chinês. Defina TTS_KEY se mais alguém puder acessar a porta.

Conectar o Open WebUI

Abra Admin Panel, Settings, Audio. Defina Text-to-Speech Engine como OpenAI, API Base URL como http://localhost:8880/v1, TTS Model como superclonica e TTS Voice como uma das vozes padrão. O Open WebUI exige uma chave de API não vazia: digite seu TTS_KEY, ou qualquer texto se o deixou vazio. Se o Open WebUI roda no Docker, inicie o servidor com --host 0.0.0.0 e use http://host.docker.internal:8880/v1; no Linux o contêiner precisa de --add-host=host.docker.internal:host-gateway. Deixe Response Splitting em punctuation para respostas longas começarem a falar após a primeira frase.

Conectar o SillyTavern

Abra Extensions, TTS e escolha o provedor OpenAI Compatible. Informe http://localhost:8880/v1/audio/speech como endpoint, superclonica como modelo, sua chave, e digite a lista de vozes você mesmo, porque esse provedor não a busca: M1,M2,M3,M4,M5,F1,F2,F3,F4,F5. Depois dê a cada personagem e à sua persona uma voz própria no mapa de vozes e clique em Apply.

Vozes de personagens e outros clientes

Para usar uma voz do catálogo da SuperClonica, baixe o arquivo de voz e adicione uma linha como VOICES["narrator"] = "/path/to/the/file"; o nome narrator passa a funcionar em todos os clientes, inclusive na lista de vozes do SillyTavern. Qualquer programa com o SDK da OpenAI também funciona: crie o cliente com base_url http://localhost:8880/v1 e chame audio.speech.create como de costume.