Text-to-Speech (Motores Locais)

Gere mensagens de voz naturais e fala de personagens diretamente na sua máquina, sem pagar tarifas por caractere ou transmitir áudio para APIs de voz de terceiros.

O TomoriBot trata a fala como uma capacidade de endpoint personalizado. Motores locais rodam fora do bot como servidores HTTP e implementam POST /synthesize; motores de clonagem recebem texto mais a amostra de áudio de referência configurada, enquanto motores com suporte a 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 clonagem e VoiceDesign.

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

IrodoriTTSClonagem de voz e VoiceDesign focados em japonês com marcação de emojis Unicode para controle de emoções.

Fish Audio S2 ProClonagem de voz multilíngue de alta qualidade com controle fino de expressões por colchetes. Usa por padrão os pesos oficiais BF16, com um checkpoint INT8 opcional para GPUs menores.

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

CosyVoice 3Clonagem zero-shot e cross-lingual multilíngue de 0,5B com instruções de entonação em linguagem natural.

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

Fluxo de configuração

1. Escolha um dos motores nos cards acima e configure seu wrapper a partir de servers/tts/.
2. Em /providers, escolha Adicionar Novo Endpoint Personalizado e use a Compatibilidade de API tts-clone.
3. Selecione o endpoint salvo e use o menu suspenso de modelos para adicionar seu modelo de Fala (Speech), Modo de Origem de Voz e Marcação de Script.
4. Abra /config > Modelos > Alternar Modelos e selecione o endpoint sob TTS (Voice Design) ou TTS (Voice Clone). Endpoints com capacidade automática ativam ambas as seleções; desmarcar uma preserva a outra.

Para provedores de voz hospedados e seleções pessoais, consulte Voz: TTS & STT.

Acesso à rede

Todo servidor local de TTS vincula-se a 127.0.0.1 por padrão, de modo que apenas um bot na mesma máquina pode acessá-lo. Quando o TomoriBot rodar no Docker ou em outra máquina, defina TOMORI_TTS_HOST=0.0.0.0 para o servidor e registre o endpoint com o endereço do host, por exemplo http://host.docker.internal:8015.

Cada servidor lê sua própria variável de porta (CHATTERBOX_PORT, QWEN3TTS_PORT, IRODORI_TTS_PORT, FISH_S2_PORT, VOXCPM2_PORT, COSYVOICE3_PORT, MOSS_TTS_PORT), permitindo que vários rodem simultaneamente a partir de um único .env. O comando bun run launch passa o .env para os servidores que inicia; um servidor iniciado manualmente lê apenas as variáveis do seu shell.

Os servidores não possuem autenticação: qualquer pessoa com acesso à porta pode executar sínteses na sua GPU. Vincule fora do loopback apenas em redes confiáveis e coloque um proxy reverso com autenticação na frente de qualquer servidor exposto além dela.

Vozes da persona

Para clonagem de voz, envie uma amostra limpa com apenas uma pessoa falando em /config > Modelos > Parâmetros de TTS e Vozes, e então atribua-a em Persona > Voz. Consulte o guia do motor para ver a duração recomendada do clipe e requisitos de transcrição.

O TomoriBot aceita amostras de até 130 segundos e as converte para WAV mono. O limite de tamanho de upload é de 10 MB por padrão; SPEECH_SAMPLE_MAX_MB permite alterá-lo. Um formato comprimido como FLAC pode ajudar clipes longos a caberem no limite.

Para motores que suportam design de voz, salve uma descrição de voz em Persona > Voz. Uma persona pode ter tanto uma descrição quanto uma amostra; a prioridade de Origem de Voz seleciona qual fonte utilizável testar primeiro. Consulte os guias dos motores para conferir os modos suportados e a marcação de script.

Habilite mensagens de voz em /config > Permissões, e então peça para uma persona enviar uma ou use /generate voice-message para testar.