Text-to-Speech (Motores Locais)

O TomoriBot trata a fala como uma capacidade de endpoint personalizado. Motores locais são executados fora do bot como servidores HTTP e implementam POST /synthesize; motores de clone recebem texto mais a amostra de áudio de referência configurada, enquanto motores com capacidade de VoiceDesign também podem receber instruções em linguagem natural.

Motores Disponíveis

Chatterbox TTSClonagem de voz em inglês com tags de evento. Turbo é o padrão; Nano e Standard são variantes opcionais.

Qwen3-TTSTTS local multilíngue com modos de clone e VoiceDesign.

MOSS-TTSEndpoint automático de teste: clonagem de voz multilíngue de 4B ou design de voz descrito por texto em inglês/chinês.

IrodoriTTSClonagem de voz focada em japonês e VoiceDesign com marcação de emoji Unicode para controle de emoção.

Fish Audio S2 ProClonagem de voz multilíngue de alta qualidade com controles finos de expressão entre colchetes. Por padrão, usa os pesos BF16 oficiais, com um checkpoint INT8 opcional para GPUs menores.

VoxCPM2TTS em 30 idiomas com Voice Design, clonagem de áudio de referência, Ultimate Cloning assistida por transcrição e controle de entrega em linguagem natural.

CosyVoice 3Clonagem zero-shot multilíngue de 0.5B e interlinguística com instruções de entrega em linguagem natural.

Comparação de Motores TTSTempos de síntese empíricos, players de amostras de áudio e comparações de velocidade entre os 7 motores.

Fluxo de Configuração

1. Escolha um motor nos cartões acima e configure seu wrapper a partir de servers/tts/.
2. Em /providers, escolha Add New Custom Endpoint e use a Compatibilidade de API tts-clone.
3. Selecione o endpoint salvo e use seu menu suspenso de modelo para adicionar seu modelo de Speech, Voice Source Mode e Script Markup.
4. Abra /config > Models > Switch Models e selecione o modelo de Speech registrado.

Fluxo de Voz de Persona

Para motores de clone, adicione e atribua uma amostra de voz por persona:

1. Prepare um clipe limpo de 10-20 segundos com um locutor e sem música de fundo.
2. Abra /config em Models > TTS Parameters & Voices e faça o upload da amostra. Qualquer formato de áudio é aceito; o TomoriBot o converte para WAV mono.
3. Forneça uma transcrição correspondente quando o motor se beneficiar disso. O Fish S2 Pro encaminha a transcrição de referência armazenada para a solicitação de clonagem, e o VoxCPM2 a usa para uma Ultimate Cloning de maior fidelidade.
4. Abra /config em Persona > Voice, depois escolha a persona e a amostra de voz.

Para Qwen3-TTS, MOSS-VoiceGenerator, IrodoriTTS ou VoxCPM2 VoiceDesign, pule a amostra de áudio e use Persona > Voice em /config para salvar uma descrição de voz em linguagem natural para a persona. O CosyVoice 3 usa o modo Clone com uma amostra de referência e aceita orientações de entrega pontuais através de voice_instructions.

Os usuários do ElevenLabs devem escolher Add New Provider e ElevenLabs em /providers; isso registra os endpoints de fala e transcrição juntos.

O TomoriBot remove a sintaxe de emoji personalizado do Discord, como :pepega: ou <:pepega:123456789012345678>, dos scripts de voz gerados antes da síntese. Emojis Unicode também são removidos a menos que o endpoint de fala use marcação de emoji, o que é destinado ao IrodoriTTS. As tags entre colchetes são preservadas para endpoints como Chatterbox Turbo e Fish S2 Pro quando o seu Script Markup está definido para Bracket Tags.

O VoxCPM2 usa Plain Script Markup. Seus controles de Voice Design e estilo de fala trafegam pelo campo instruct do TomoriBot, e o wrapper do VoxCPM2 os converte para a sintaxe de controle em linguagem natural nativa do modelo, entre parênteses.

O CosyVoice 3 também usa Plain Script Markup. Ele mapeia referências apoiadas por transcrição para clonagem zero-shot, referências sem transcrição para clonagem interlinguística, e voice_instructions para seu caminho condicionado por instrução. Tags entre colchetes inline são removidas porque as instruções do CosyVoice se aplicam a todo o enunciado.

Comparação de Motores

Para benchmarks empíricos de latência lado a lado, reprodução de amostras de áudio e uma matriz detalhada de recursos comparando todos os sidecars suportados, consulte Comparação de Motores TTS.