Configuration du Text to Speech (TTS)

Le Text to Speech (TTS), ou synthèse vocale, lit à voix haute les messages du chat et la narration du jeu. Ce guide explique comment l'activer, choisir un service de voix et des voix, configurer la lecture automatique et utiliser les commandes de chaque message.

Démarrage rapide

1. Ouvre la carte de synthèse vocale (étapes ci-dessous) et active Use text to speech (utiliser la synthèse vocale).
2. Choisis une Source et colle ta clé dans API key (clé API).
3. Clique sur Preview (aperçu) pour entendre un extrait.
4. Dans un chat, clique sur Speak (lire à voix haute) sous un message.

Activer la synthèse vocale

Presque tous les réglages TTS se trouvent dans une seule carte. Activer le TTS ne fait rien lire à lui seul. Cela fait apparaître le bouton Speak sur chaque message et les options Auto-play (lecture automatique). C'est toujours toi qui choisis ce qui est lu, et quand.

1. Clique sur Connections (Connexions) dans la barre du haut, puis sur Add (ajouter). La fenêtre Add account (ajouter un compte) s'ouvre.
2. Sous Voice (voix), choisis Text to speech (synthèse vocale). La carte s'ouvre. Si tu utilises déjà PocketTTS, la même carte se trouve aussi sous On this device (sur cet appareil).
3. Active Use text to speech. Tant que ce réglage est désactivé, rien n'est lu à voix haute.
4. Ouvre la liste Source et choisis un service.

La Source, c'est le service qui produit l'audio.

• OpenAI-compatible : OpenAI, ou tout serveur qui reproduit le format TTS d'OpenAI. C'est la valeur par défaut.
• ElevenLabs : le service de voix ElevenLabs.
• PocketTTS : un serveur de voix gratuit que tu fais tourner sur ton propre ordinateur.
• xAI Voice : le service de voix de xAI.

Marinara garde un profil enregistré distinct pour chaque Source : sa clé, son adresse, son modèle, ses voix et ses paramètres. Changer de Source restaure la configuration précédente de celle-ci. Une Source que tu n'as pas encore configurée démarre avec les valeurs par défaut.

Les requêtes passent par le propre serveur de Marinara. Ta clé API est stockée chiffrée sur le serveur. Une fois que tu l'as enregistrée, le champ affiche des points masqués et la vraie clé ne revient jamais vers ton navigateur.

Utiliser une connexion Audio

Si tu as déjà ajouté un compte Audio (voir Fournisseurs d'IA pris en charge), tu n'as pas besoin de saisir de nouveau ses informations. Il apparaît dans la liste Source, sous Audio providers (fournisseurs audio), avec son type de source entre parenthèses.

1. Ouvre la liste Source et choisis le compte.
2. Choisis ses voix et les autres réglages ci-dessous.

Marinara utilise alors l'adresse, la clé, le modèle et le Request timeout (seconds) (délai d'attente des requêtes, en secondes) de ce compte : la carte masque donc ces champs. La clé reste dans le compte : elle n'est jamais copiée dans la carte ni envoyée à ton navigateur. Les modifications du compte, comme une nouvelle clé, s'appliquent tout de suite.

Les voix, la vitesse et les autres réglages de parole sont enregistrés pour chaque compte. Deux comptes du même type ne les partagent jamais. Tes réglages pour les quatre Sources habituelles restent tels quels. L'interrupteur de la carte active et désactive toujours le TTS habituel.

Si le compte choisi est supprimé ou inutilisable, la carte affiche Missing Audio provider et rien n'est lu tant que tu n'as pas choisi une autre Source. Marinara ne change jamais de Source tout seul. Si le compte liste ses voix, la carte nomme chaque voix enregistrée qui ne figure pas dans la liste.

Renseigner l'adresse, la clé et le modèle

Passe cette section si tu as choisi un compte Audio : c'est le compte qui fournit ces valeurs.

1. Vérifie Base URL (URL de base). Chaque Source y place une valeur par défaut (tableau ci-dessous). Ne la modifie que pour un proxy ou un serveur que tu fais tourner toi-même.
2. Colle ta clé dans API key. Pour garder une clé existante, laisse les points masqués. Pour la supprimer, vide le champ.
3. Vérifie Model (modèle). Chaque Source y place une valeur par défaut. Tu peux saisir un autre modèle pris en charge par ton service.

Pour ElevenLabs, la liste Model charge les modèles de parole que ton compte peut utiliser. Choisis un modèle de parole classique. Les identifiants de modèle qui contiennent ttv désignent des modèles de conception de voix, incapables de lire un texte. Si tu en choisis un, la lecture échoue avec une erreur qui te demande d'utiliser un modèle de parole.

PocketTTS

PocketTTS n'est pas intégré à Marinara. Installe le serveur officiel de PocketTTS séparément, puis démarre-le avec uvx pocket-tts serve. Marinara ne le télécharge pas et ne le gère pas. Le serveur officiel utilise http://localhost:8000. Garde cette valeur dans Base URL, sauf si tu as changé l'hôte ou le port. Marinara détecte l'API multipart officielle /tts. Les URL personnalisées de l'adaptateur PocketTTS compatible avec OpenAI fonctionnent toujours.

Délai d'attente des requêtes

Marinara attend jusqu'à 60 secondes pour chaque réplique lue. Un serveur vocal sur ton propre ordinateur, surtout un portable, peut avoir besoin de plus de temps pour une longue réplique. Augmente Request timeout (seconds), sous Model. La plage va de 10 à 3 600 secondes.

Un compte Audio a son propre Request timeout (seconds), sous Default voice (voix par défaut) dans son éditeur. Les chats qui parlent par un compte Audio, y compris un compte choisi comme Source, utilisent cette limite. La limite de la carte couvre la parole produite avec les réglages propres à la carte, y compris Preview. Si une réplique prend trop de temps, l'erreur indique combien de secondes Marinara a attendu et quel réglage augmenter.

Choisir les voix

Voice option (option de voix) détermine la façon dont les voix sont attribuées.

• One voice for all : tous les intervenants utilisent la même voix. C'est la valeur par défaut.
• Selected per character or persona : tu donnes leur propre voix aux personnages et aux personas (les personnages que tu incarnes) de ton choix.

Une seule voix pour tous (One voice for all)

Choisis la voix dans Shared voice (voix partagée). Pour charger la vraie liste de voix de ton service, saisis ses informations et clique sur Refresh voices from provider (actualiser les voix depuis le fournisseur), l'icône en forme de flèche circulaire. Ce bouton enregistre d'abord la carte : une clé tout juste saisie est donc utilisée immédiatement. Avant la connexion, une courte liste intégrée s'affiche pour que le champ ne reste pas vide. En cas d'erreur du service, c'est l'erreur qui s'affiche, au lieu de faire passer la liste de secours pour une actualisation réussie.

Le serveur officiel de PocketTTS n'a pas de point d'accès pour lister les voix : Marinara affiche donc ses voix intégrées et garde un champ de texte à côté de la liste pour un autre nom intégré ou une URL de voix prise en charge. Les serveurs adaptateurs compatibles peuvent renvoyer leur propre liste et accepter des identifiants ou des chemins personnalisés.

Pour ElevenLabs, tu dois choisir une voix. Marinara charge toute la bibliothèque du compte : voix personnelles, voix de l'espace de travail, voix enregistrées et voix par défaut. Le sélecteur propose un champ de recherche et indique le nombre de voix chargées. Il démarre sur "Select an ElevenLabs voice", et la lecture reste bloquée tant que tu n'as pas choisi une vraie voix.

Une voix par personnage ou persona (Selected per character or persona)

1. Règle Voice option sur Selected per character or persona.
2. Dans Character and persona voices (voix des personnages et des personas), clique sur Add voice (ajouter une voix).
3. Choisis un personnage ou un persona dans la liste de gauche et une voix dans la liste de droite.
4. Répète l'opération pour chacun.

Tu peux aussi définir la voix d'un personnage sur l'onglet Voice du Character Editor (éditeur de personnage). Ce choix modifie la même ligne. Dans cet encadré, Refresh (actualiser) recharge la liste des voix. Crée d'abord tes personnages. Si tu n'en as aucun, l'application t'invite à ajouter un personnage ou un persona avant d'attribuer des voix.

Un personnage sans voix personnelle utilise la voix d'une fiche au nom correspondant, par exemple l'original d'une copie AU (univers alternatif). Sinon, il utilise la voix partagée. Voir Créer et modifier des personnages.

Voix du narrateur

La narration, c'est le texte qu'aucun personnage ne prononce, comme une description de scène ou les répliques d'un Game Master (le maître du jeu).

1. Dans Narrator voice (voix du narrateur), active Use separate narrator voice (utiliser une voix de narrateur distincte).
2. Choisis une voix.

Elle sert quand le locuteur d'une réplique est Narrator, GM, Game Master ou System, dans les messages Roleplay et Conversation, ainsi que pour la narration de Game Mode sans locuteur nommé. Avec ElevenLabs, choisis une voix de narrateur ici. Si tu laisses ce champ vide, la narration ne se rabat sur une autre voix que si une voix globale est définie.

Voix aléatoires des PNJ (Game Mode uniquement)

Ce réglage attribue des voix de réserve aux personnages secondaires du jeu que Game Mode suit, les PNJ (personnages non-joueurs). Il n'a aucun effet en Roleplay ni en Conversation.

1. Dans Random NPC voices (voix aléatoires des PNJ), active Use default voices for random NPCs (utiliser des voix par défaut pour les PNJ aléatoires).
2. Coche des voix dans Male NPC defaults (voix par défaut des PNJ masculins) et Female NPC defaults (voix par défaut des PNJ féminins).

Un PNJ suivi sans voix personnelle reçoit une voix stable tirée de la réserve correspondante et la garde pendant toute la session. Un PNJ à qui une voix a été attribuée garde cette voix. Les PNJ dont le genre est incertain puisent dans les deux réserves. Si l'application ne trouve pas de voix étiquetées masculines ou féminines, chaque réserve utilise la liste complète.

Format audio et vitesse

Audio format (format audio) vaut MP3 (par défaut) ou WAV. Utilise WAV pour les serveurs locaux incapables de produire du MP3. Ce réglage est masqué pour ElevenLabs, qui utilise toujours le MP3. Il s'affiche pour xAI Voice mais n'y a aucun effet, car xAI renvoie toujours du MP3.

La plage du curseur Speed (vitesse) dépend de la Source :

Une vitesse enregistrée hors de la plage est ramenée à la valeur autorisée la plus proche. Pour ElevenLabs, deux réglages de plus apparaissent : Language (langue), qui impose une langue ou reste sur Auto detect (détection automatique), et Stability (stabilité), qui va de plus expressive à plus régulière.

Lecture automatique

Chaque interrupteur Auto-play lit un type de nouveau message dès que sa génération se termine. Ils nécessitent que Use text to speech soit activé. Tous sont désactivés au départ.

• Roleplay messages : les nouvelles réponses en Roleplay.
• Conversation messages : les nouvelles réponses en mode Conversation.
• Game narration : les nouvelles lignes de narration et de combat de Game Mode.
• Progressive playback : lance tout de suite la première ligne d'une réponse en plusieurs lignes, au lieu d'attendre la réponse entière.
• Only read dialogues : ne lit que les répliques entre guillemets ou balisées, et saute la narration simple.

La lecture automatique ne se déclenche qu'une fois, sur la réponse la plus récente, quand elle se termine. Elle ne relit pas les anciens messages quand tu rouvres un chat ou que tu le fais défiler.

En Roleplay, la préparation de la voix commence dès que la réponse principale est enregistrée. Si un agent activé réécrit la réponse, comme Prose Guardian, Marinara attend le texte définitif.

Filtres de texte et consignes d'émotion

Ces filtres s'appliquent à la lecture manuelle et à la lecture automatique, y compris à la narration Game et à l'identification des locuteurs en Roleplay. Les blocs de code sont ignorés par défaut. Les deux autres filtres sont désactivés au départ.

• Skip text inside HTML and custom tags (ignorer le texte dans les balises HTML et personnalisées) : retire le texte contenu, par exemple un bloc caché <simulation>...</simulation>. Les balises de locuteur utilisées pour choisir les voix restent.
• Skip fenced code blocks (ignorer les blocs de code délimités).
• Skip text inside square brackets (ignorer le texte entre crochets).

Active Roleplay speaker extractor (identification des locuteurs en Roleplay) pour afficher Enable emotion indicators (activer les indications d'émotion). Ce réglage ajoute des consignes vocales sans changer les mots du dialogue. Quand les indications d'émotion sont activées, le texte entre crochets est envoyé au service de synthèse vocale même si Skip text inside square brackets est activé. Cela peut inclure des notes. Pour que les notes entre crochets ne soient pas lues, désactive les indications d'émotion et laisse l'option d'exclusion activée. Les consignes comme [Low, steady voice, restrained urgency] restent entières quand une longue réplique est découpée. Les étiquettes de locuteur et de scène reconnues sont toujours retirées. Le modèle vocal décide comment utiliser chaque consigne. Quand Use text to speech, Game narration et les indications d'émotion sont activés, les dialogues de scène, d'équipe et de combat en Game Mode peuvent aussi contenir des consignes.

Lire un message

Une fois le TTS activé, un bouton Speak (une icône de microphone) apparaît dans la barre d'outils sous chaque message de personnage ou de narrateur.

• Clique sur Speak pour le lire. Le bouton affiche un état de chargement pendant la récupération de l'audio.
• Clique de nouveau pendant la lecture pour l'arrêter. L'infobulle indique Stop speaking.
• Un message sans texte lisible, par exemple une image seule, affiche No dialogue to speak et reste désactivé.

Pendant la lecture d'un message, les boutons Pause speaking (mettre la lecture en pause), Resume speaking (reprendre la lecture) et Restart speaking (relancer la lecture) apparaissent. Le bouton en forme de haut-parleur ouvre un curseur Line volume (volume de la réplique), de 0 à 100 pour cent (50 par défaut). Il est indépendant du mixeur de Game Mode et du volume des appels en Conversation.

Si ça n'a pas marché, voir Dépannage.

Clips en cache

Marinara garde l'audio généré dans ton navigateur pour ne pas générer deux fois la même réplique. Le panneau Cached clips (clips en cache) affiche un compteur en direct et la taille totale. Clique sur Export cached TTS clips (exporter les clips TTS en cache), l'icône de téléchargement, pour enregistrer chaque clip en cache sous forme de fichiers audio séparés. Le cache supprime tout seul ses clips les plus anciens. L'application n'a pas de bouton pour l'effacer. Pour le vider, efface les données de ton navigateur.

Le TTS dans chaque mode de chat

• Roleplay utilise l'interrupteur Roleplay messages et les commandes Speak. Voir Mode Roleplay : premiers pas.
• Conversation utilise l'interrupteur Conversation messages et les mêmes commandes. Les appels audio sont traités dans Appels audio et vidéo en Conversation.
• Game Mode utilise l'interrupteur Game narration. Son mixeur a un canal TTS à côté de Master, Music, Sound Effects et Ambient. Ce canal règle le volume de l'audio parlé du jeu et démarre à 100 pour cent. Voir Les contrôles du jeu.

Nom phonétique (prononciation pendant les appels)

Si la voix prononce mal le nom d'un personnage ou d'un persona, ajoute un Phonetic name (nom phonétique) et saisis la façon dont il doit sonner. Dans le Character Editor, il se trouve sur l'onglet Voice. Dans le Persona Editor (éditeur de persona), il figure avec les champs d'informations de base. Il ne sert que pendant les appels audio et vidéo en Conversation. Speak, la lecture automatique et la narration de Game Mode l'ignorent.

Dépannage

• Rien ne se lit : vérifie que Use text to speech est activé. Vérifie ensuite le bon interrupteur Auto-play, ou utilise Speak sur un message.
• La carte affiche Missing Audio provider : le compte choisi comme Source a été supprimé ou ne peut pas être utilisé. Choisis une autre Source. Voir Utiliser une connexion Audio.
• Aucune voix dans la liste : enregistre la carte avec le TTS activé et une clé valide, puis clique sur Refresh voices from provider. Le serveur officiel de PocketTTS utilise la liste intégrée de Marinara. Pour un adaptateur PocketTTS compatible, vérifie que <Base URL>/v1/voices répond.
• ElevenLabs refuse de parler : choisis une vraie voix, et non le texte indicatif "Select an ElevenLabs voice". Vérifie que Model est un modèle de parole, et non un modèle de conception de voix dont l'identifiant contient ttv.
• Une réplique s'arrête avec "No audio after 60 s" : le serveur vocal a besoin de plus de temps. Augmente Request timeout (seconds) à l'endroit indiqué par le message. Voir Délai d'attente des requêtes.
• Un serveur auto-hébergé sur une adresse locale est bloqué : active TTS_LOCAL_URLS_ENABLED dans .env. Ce réglage autorise Marinara à joindre une adresse locale ou privée pour les serveurs OpenAI-compatible ou de type ElevenLabs. PocketTTS n'en a pas besoin. Voir Référence de configuration du serveur.
• Tester rapidement : clique sur Preview dans la carte pour entendre un court extrait avec tes réglages actuels.

Référence : musique, effets sonores et Gacha Forge

Ces sections concernent les configurations avancées.

Musique et effets sonores de Game avec un serveur audio compatible

1. Dans Connections, ouvre ton compte Music & Sound Effects (musique et effets sonores) avec Edit model (modifier le modèle) et choisis Custom compatible server (serveur compatible personnalisé). La fenêtre Add account n'a pas de tuile pour ce type de compte ; il provient d'une mise à jour ou d'un import (voir la référence des comptes).
2. Saisis l'adresse, la clé et le modèle de ton serveur de musique ou d'effets sonores.
3. Définis Generation API format (format d'API de génération) et saisis les chemins des points d'accès que ton serveur propose. Un chemin vide rend la fonction correspondante indisponible.
4. Active Music generation (génération de musique), Sound-effect generation (génération d'effets sonores) ou les deux.
5. Sélectionne ce compte dans la configuration de Game ou dans les réglages audio du jeu. Garde ton compte de voix sélectionné séparément dans la carte TTS.

Les chemins des points d'accès sont ajoutés à la Base URL du compte. Pour http://localhost:8002/v1, utilise chat/completions pour atteindre /v1/chat/completions. Les points d'accès HTTP locaux nécessitent TTS_LOCAL_URLS_ENABLED=true dans .env, comme les autres requêtes audio compatibles locales.

Deux formats d'API sont pris en charge :

• Prompt JSON → MP3 audio envoie { "model": "your-model", "prompt": "the requested sound", "duration": 5, "response_format": "mp3" } et attend des octets MP3. La musique de Game utilise la durée de la piste de contexte (120 secondes par défaut). Les effets sonores demandent 5 secondes.
• Chat Completions → inline audio (ACE-Step compatible) envoie model, une entrée utilisateur dans messages, stream: false, et audio_config avec duration, instrumental: true et format: "mp3". Il accepte du MP3 intégré provenant de choices[0].message.audio : soit un tableau d'URL audio ACE-Step contenant une URL de données base64, soit un objet avec data en base64. Voir le contrat d'API compatible ACE-Step. Les URL de résultats distants et les API de tâches asynchrones ne sont pas prises en charge.

N'active que ce que ton serveur implémente. Un point d'accès de parole compatible OpenAI ne signifie pas à lui seul que le serveur prend en charge la musique ou les effets sonores. Un service comme Infermatic doit proposer l'un de ces formats ou fournir un adaptateur. Son point d'accès de musique réel n'a pas été vérifié ici. Pour la génération native avec ElevenLabs ou SunoAPI, utilise cette source sous Music & Sound Effects. Voir la référence des comptes.

La musique de contexte générée est composée une fois par zone ou par niveau de rencontre, puis réutilisée. Les effets sonores répétés utilisent le cache audio. Une erreur de génération laisse le cache disponible pour réessayer.

Dialogues et audio dans Gacha Forge

À partir de la version 1.11.0, Gacha Forge utilise le compte sélectionné dans la carte TTS et les voix que celle-ci attribue à chaque personnage. - Active Read character dialogue (lire les dialogues des personnages) pour lire les dialogues des personnages importés auxquels une voix a été attribuée. Ce réglage se trouve à l'étape de configuration Lore (contexte de l'univers) d'un nouveau monde, ou dans les réglages de monde propres à Gacha Forge pour un monde existant. La narration, les pensées, les unités générées sans identifiant de personnage de Marinara Engine et les personnages sans voix restent silencieux. Un nom seul n'emprunte jamais la voix d'un autre personnage.

• Un compte Audio sélectionné peut être utilisé quand l'interrupteur TTS du monde est activé. Quand tu utilises directement les réglages de source propres à la carte, Use text to speech doit aussi être activé.
• La musique et les effets sonores fournis avec Game n'ont besoin d'aucun compte de génération. Pour composer de nouvelles pistes, active Generate music and sound effects (générer de la musique et des effets sonores) dans Gacha Forge et choisis un compte Music & Sound Effects sous Audio connection (connexion audio). Ce champ apparaît quand la génération est activée. Les pistes de Home, des combats, des boss, des scènes de l'histoire et des histoires de personnages sont générées au premier besoin, puis réutilisées. Ces requêtes utilisent ton compte chez le service.
• Le bouton muet en haut à droite coupe ensemble la musique, les dialogues et les effets sonores. Les réglages visuels de Gacha Forge proposent des commandes de volume distinctes pour les trois, jusqu'à zéro, ainsi que la pause de lecture automatique (3 seconds par défaut, après l'affichage du texte et les éventuels dialogues parlés). Les choix attendent toujours le joueur. Les dialogues parlés sont annulés quand tu quittes une scène. Quitter le monde arrête son audio.

Mets à jour le package Gacha Forge installé ainsi que Marinara Engine pour obtenir ces commandes.

Guides associés

• Appels audio et vidéo en Conversation
• Synchronisation labiale avec la synthèse vocale pour les avatars 2D et 3D
• Mode Roleplay : premiers pas
• Game Mode : premiers pas
• Fournisseurs d'IA pris en charge
• Créer et modifier des personnages
• Référence de configuration du serveur