Konfiguracja syntezy mowy (TTS)

Synteza mowy (TTS) czyta na głos wiadomości czatu i narrację gry. Z tego przewodnika dowiesz się, jak ją włączyć, wybrać usługę głosową i głosy, ustawić automatyczne odtwarzanie i korzystać ze sterowania przy pojedynczej wiadomości.

Szybki start

1. Otwórz sekcję syntezy mowy (kroki niżej) i włącz Use text to speech (używanie syntezy mowy).
2. Wybierz Source (źródło) i wklej klucz w pole API key (klucz API).
3. Kliknij Preview (Odsłuchaj), żeby usłyszeć próbkę.
4. W czacie kliknij Speak (Mów) pod wiadomością.

Włączanie syntezy mowy

Prawie wszystkie ustawienia TTS mieszczą się w jednej sekcji. Samo włączenie TTS niczego jeszcze nie odczyta. Odsłania tylko przycisk Speak przy każdej wiadomości oraz opcje Auto-play (automatyczne odtwarzanie). O tym, co i kiedy zostanie przeczytane, nadal decydujesz ty.

1. Kliknij Connections (Połączenia) na górnym pasku, a potem Add (dodaj). Otwiera się okno Add account (dodanie konta).
2. W grupie Voice (głos) wybierz Text to speech (synteza mowy). Otwiera się sekcja. Jeśli już korzystasz z PocketTTS, ta sama sekcja jest też w grupie On this device (na tym urządzeniu).
3. Włącz Use text to speech. Dopóki jest wyłączone, nic nie jest czytane na głos.
4. Otwórz listę Source i wybierz usługę.

Source to usługa, która tworzy dźwięk.

• OpenAI-compatible: OpenAI albo dowolny serwer naśladujący format TTS od OpenAI. To ustawienie domyślne.
• ElevenLabs: usługa głosowa ElevenLabs.
• PocketTTS: darmowy serwer głosowy uruchamiany na własnym komputerze.
• xAI Voice: usługa głosowa xAI.

Marinara trzyma osobny zapisany profil dla każdego źródła: jego klucz, adres, model, głosy i parametry. Zmiana źródła przywraca wcześniejszą konfigurację tego źródła. Źródło jeszcze nieskonfigurowane startuje z wartościami domyślnymi.

Żądania przechodzą przez własny serwer aplikacji Marinara Engine. Klucz API jest przechowywany na serwerze w postaci zaszyfrowanej. Po zapisaniu klucza pole pokazuje zamaskowane kropki, a prawdziwy klucz nigdy nie wraca do przeglądarki.

Korzystanie z połączenia Audio

Jeśli masz już dodane konto Audio (zobacz Obsługiwani dostawcy AI), nie musisz ponownie wpisywać jego danych. Pojawia się na liście Source w grupie Audio providers (dostawcy audio), z typem źródła w nawiasie.

1. Otwórz listę Source i wybierz konto.
2. Wybierz jego głosy i pozostałe ustawienia opisane niżej.

Marinara używa wtedy adresu, klucza, modelu i wartości Request timeout (seconds) (limit czasu żądania w sekundach) tego konta, więc sekcja ukrywa te pola. Klucz zostaje w koncie: nigdy nie jest kopiowany do sekcji ani wysyłany do przeglądarki. Zmiany w koncie, na przykład nowy klucz, działają od razu.

Głosy, prędkość i pozostałe ustawienia mowy są zapisywane osobno dla każdego konta. Dwa konta tego samego typu nigdy ich nie współdzielą. Twoje ustawienia czterech zwykłych źródeł pozostają bez zmian. Przełącznik sekcji nadal włącza i wyłącza zwykłe TTS.

Jeśli wybrane konto zostanie usunięte albo nie da się go użyć, sekcja pokazuje Missing Audio provider (brak dostawcy audio) i nic nie jest odczytywane, dopóki nie wybierzesz innego źródła. Marinara nigdy nie przełącza się sama. Jeśli konto udostępnia listę swoich głosów, sekcja wskazuje każdy zapisany głos, którego nie ma na tej liście.

Ustawianie adresu, klucza i modelu

Pomiń ten krok, jeśli wybrano konto Audio. Te dane pochodzą z konta.

1. Sprawdź pole Base URL (adres bazowy). Każde źródło wpisuje tu wartość domyślną (tabela niżej). Zmieniaj ją tylko przy korzystaniu z serwera proxy albo z serwera uruchamianego samodzielnie.
2. Wklej klucz w pole API key. Żeby zachować dotychczasowy klucz, zostaw zamaskowane kropki. Żeby go usunąć, wyczyść pole.
3. Sprawdź pole Model. Każde źródło wpisuje tu model domyślny. Można wpisać inny model obsługiwany przez usługę.

W przypadku źródła ElevenLabs lista Model wczytuje modele mowy dostępne na twoim koncie. Wybierz zwykły model mowy. Identyfikatory modeli zawierające ttv należą do modeli projektowania głosu, które nie potrafią czytać tekstu. Po wyborze takiego modelu odtwarzanie kończy się błędem z informacją, że trzeba użyć modelu mowy.

PocketTTS

PocketTTS nie jest wbudowany w aplikację Marinara Engine. Zainstaluj osobno oficjalny serwer PocketTTS i uruchom go poleceniem uvx pocket-tts serve. Marinara nie pobiera go ani nim nie zarządza. Oficjalny serwer używa http://localhost:8000. Zostaw tę wartość Base URL, chyba że zmienisz host lub port. Marinara wykrywa oficjalne wieloczęściowe API /tts. Własne adresy adaptera PocketTTS zgodnego z OpenAI nadal działają.

Limit czasu żądania

Marinara czeka na każdą wypowiadaną kwestię do 60 sekund. Serwer głosu działający na twoim komputerze, zwłaszcza na laptopie, może potrzebować więcej czasu na długą kwestię. Zwiększ Request timeout (seconds) pod polem Model. Zakres wynosi od 10 do 3 600 sekund.

Konto Audio ma własne pole Request timeout (seconds) pod polem Default voice (domyślny głos) w swoim edytorze. Czaty, które mówią przez konto Audio, także wybrane jako Source, używają tego limitu. Limit z sekcji dotyczy mowy z jej własnych ustawień, w tym przycisku Preview. Jeśli kwestia trwa zbyt długo, komunikat błędu podaje, ile sekund Marinara czekała i które ustawienie trzeba zwiększyć.

Wybór głosów

Ustawienie Voice option (opcja głosu) decyduje o tym, jak przydzielane są głosy.

• One voice for all (jeden głos dla wszystkich): każda mówiąca osoba używa tego samego głosu. To ustawienie domyślne.
• Selected per character or persona (wybór dla każdej postaci lub persony): wybrane postacie i persony dostają od ciebie własne głosy.

Jeden głos dla wszystkich

Wybierz głos w polu Shared voice (wspólny głos). Żeby wczytać prawdziwą listę głosów usługi, wpisz jej dane i kliknij Refresh voices from provider (odświeżenie głosów od dostawcy, ikona okrągłej strzałki). Odświeżenie najpierw zapisuje sekcję, więc świeżo wpisany klucz działa od razu. Przed nawiązaniem połączenia aplikacja pokazuje krótką wbudowaną listę, żeby pole nie było puste. Błąd usługi jest pokazywany wprost, zamiast przedstawiać listę zastępczą jako udane odświeżenie.

Oficjalny serwer PocketTTS nie ma punktu końcowego listy głosów, więc Marinara pokazuje wbudowane głosy i zachowuje obok listy pole tekstowe na inną wbudowaną nazwę lub obsługiwany URL głosu. Zgodne serwery adapterów mogą zwracać własną listę i przyjmować własne identyfikatory lub ścieżki.

W przypadku źródła ElevenLabs wybór głosu jest obowiązkowy. Marinara wczytuje całą bibliotekę konta: głosy osobiste, głosy przestrzeni roboczej, zapisane i domyślne. Okno wyboru ma pole wyszukiwania i licznik wczytanych głosów. Na starcie widnieje w nim "Select an ElevenLabs voice", a odtwarzanie jest zablokowane do czasu wybrania prawdziwego głosu.

Głosy wybrane dla postaci i person

1. Ustaw Voice option na Selected per character or persona.
2. W ramce Character and persona voices (głosy postaci i person) kliknij Add voice (dodanie głosu).
3. Wskaż postać lub personę na liście po lewej, a głos na liście po prawej.
4. Powtórz to dla każdej z nich.

Głos postaci można też ustawić na zakładce Voice w oknie Character Editor. Ten wybór zmienia ten sam wiersz. Przycisk Refresh (odświeżenie) w tej ramce wczytuje ponownie listę głosów. Postacie trzeba utworzyć wcześniej. Jeśli nie ma żadnej, aplikacja poprosi o dodanie postaci lub persony przed przypisywaniem głosów.

Postać bez własnego głosu korzysta z głosu karty o pasującej nazwie, na przykład oryginału kopii AU. W przeciwnym razie używa wspólnego głosu. Zobacz Tworzenie i edycja postaci.

Głos narratora

Narracja to tekst, którego nie wypowiada żadna konkretna postać, na przykład opis sceny albo kwestie mistrza gry.

1. W ramce Narrator voice (głos narratora) włącz Use separate narrator voice (osobny głos narratora).
2. Wybierz głos.

Aplikacja używa go, gdy mówiącym w danej kwestii jest Narrator, GM, Game Master albo System, w wiadomościach trybu Roleplay i trybu Conversation, a także w narracji trybu Game Mode bez wskazanego mówcy. Przy źródle ElevenLabs wybierz tu głos narratora. Jeśli zostawisz to pole puste, narracja korzysta z głosu zastępczego tylko wtedy, gdy ustawiony jest głos globalny.

Losowe głosy postaci NPC (tylko w trybie Game Mode)

Ta funkcja przydziela zapasowe głosy pobocznym postaciom w grze, które śledzi tryb Game Mode. W trybie Roleplay ani Conversation nie ma żadnego efektu.

1. W ramce Random NPC voices (losowe głosy postaci NPC) włącz Use default voices for random NPCs (domyślne głosy dla losowych postaci NPC).
2. Zaznacz głosy w polach Male NPC defaults (domyślne głosy męskie) i Female NPC defaults (domyślne głosy żeńskie).

Śledzona postać NPC bez własnego głosu dostaje stały wybór z pasującej puli i zachowuje go przez całą sesję. Postać NPC z przypisanym głosem zostaje przy tym głosie. Postacie NPC o niejasnej płci wybierają z obu pul. Jeśli aplikacja nie znajdzie głosów oznaczonych jako męskie lub żeńskie, każda pula korzysta z pełnej listy.

Format dźwięku i prędkość

Ustawienie Audio format (format dźwięku) to MP3 (wartość domyślna) albo WAV. Format WAV przydaje się przy serwerach lokalnych, które nie potrafią tworzyć plików MP3. Ta kontrolka jest ukryta dla źródła ElevenLabs, które zawsze używa formatu MP3. Dla źródła xAI Voice jest widoczna, ale nic nie zmienia, bo xAI zawsze zwraca MP3.

Zakres suwaka Speed (prędkość) zależy od źródła:

Zapisana prędkość spoza zakresu jest sprowadzana do najbliższej dozwolonej wartości. Dla źródła ElevenLabs są jeszcze dwie kontrolki: Language (język; wymusza język albo zostaje na Auto detect, czyli automatycznym wykrywaniu) i Stability (stabilność; od większej ekspresji do większej powtarzalności).

Auto-play: automatyczne odtwarzanie

Każdy przełącznik Auto-play każe aplikacji czytać jeden rodzaj nowej wiadomości od razu po jej wygenerowaniu. Wszystkie wymagają włączonego Use text to speech. Każdy startuje wyłączony.

• Roleplay messages: nowe odpowiedzi w trybie Roleplay.
• Conversation messages: nowe odpowiedzi w trybie Conversation.
• Game narration: nowa narracja i wiersze walki w trybie Game Mode.
• Progressive playback: gdy odpowiedź ma kilka wierszy, odtwarza pierwszy od razu, bez czekania na całą odpowiedź.
• Only read dialogues: czyta wyłącznie kwestie ujęte w cudzysłów lub oznaczone jako mówione i pomija zwykłą narrację.

Automatyczne odtwarzanie uruchamia się raz, przy najnowszej odpowiedzi, w chwili jej zakończenia. Nie czyta ponownie starych wiadomości po ponownym otwarciu czatu ani przy przewijaniu.

W trybie Roleplay przygotowanie głosu zaczyna się zaraz po zapisaniu głównej odpowiedzi. Jeśli włączony agent przepisuje odpowiedź, na przykład Prose Guardian, Marinara czeka na ostateczny tekst.

Filtry tekstu i wskazówki dotyczące emocji

Te filtry działają przy ręcznym i automatycznym odtwarzaniu, także dla narracji Game i rozpoznawania mówców w trybie Roleplay. Bloki kodu są domyślnie pomijane. Pozostałe dwa filtry są początkowo wyłączone.

• Skip text inside HTML and custom tags (pomijaj tekst wewnątrz znaczników HTML i własnych znaczników): usuwa zawartość znaczników, na przykład ukryty blok <simulation>...</simulation>. Znaczniki mówców używane do wyboru głosów zostają.
• Skip fenced code blocks (pomijaj ogrodzone bloki kodu).
• Skip text inside square brackets (pomijaj tekst w nawiasach kwadratowych).

Włącz Roleplay speaker extractor (rozpoznawanie mówców w trybie Roleplay), aby zobaczyć opcję Enable emotion indicators (włącz oznaczenia emocji). Dodaje ona wskazówki dotyczące głosu bez zmiany słów kwestii. Gdy oznaczenia emocji są włączone, tekst w nawiasach kwadratowych trafia do usługi syntezy mowy nawet przy włączonej opcji Skip text inside square brackets. Dotyczy to także notatek. Aby notatki w nawiasach nie były odczytywane, wyłącz oznaczenia emocji i zostaw pomijanie włączone. Wskazówki takie jak [Low, steady voice, restrained urgency] pozostają w całości, gdy długa kwestia jest dzielona. Znane oznaczenia mówców i scen nadal są usuwane. O tym, jak wykorzystać daną wskazówkę, decyduje model mowy. Gdy Use text to speech, Game narration i oznaczenia emocji są włączone, wskazówki mogą też trafiać do dialogów w scenach, w drużynie i podczas walki w trybie Game Mode.

Odczytanie pojedynczej wiadomości

Kiedy TTS jest włączony, na pasku narzędzi pod każdą wiadomością postaci lub narratora pojawia się przycisk Speak (ikona mikrofonu).

• Kliknij Speak, żeby odczytać wiadomość. W czasie pobierania dźwięku przycisk pokazuje stan wczytywania.
• Kliknij go ponownie w trakcie odtwarzania, żeby przerwać. Podpowiedź brzmi wtedy Stop speaking.
• Wiadomość bez tekstu do odczytania, na przykład sam obrazek, pokazuje No dialogue to speak i pozostaje nieaktywna.

W trakcie odczytywania wiadomości pojawiają się przyciski Pause speaking, Resume speaking i Restart speaking. Przycisk z ikoną głośnika otwiera suwak Line volume w zakresie od 0 do 100 procent (domyślnie 50). Ta głośność jest niezależna od miksera w trybie Game Mode i od głośności rozmowy w trybie Conversation.

Jeśli to nie zadziałało, zobacz Rozwiązywanie problemów.

Zapisane nagrania

Marinara zapisuje wygenerowany dźwięk w przeglądarce, żeby nie tworzyć tej samej kwestii dwa razy. Panel Cached clips pokazuje na bieżąco ich liczbę i łączny rozmiar. Kliknij Export cached TTS clips (ikona pobierania), żeby zapisać wszystkie zachowane nagrania jako osobne pliki dźwiękowe. Pamięć podręczna sama usuwa najstarsze nagrania. W aplikacji nie ma przycisku czyszczenia. Żeby ją opróżnić, wyczyść dane przeglądarki.

TTS w poszczególnych trybach czatu

• Tryb Roleplay korzysta z przełącznika Roleplay messages i z przycisków Speak. Zobacz Tryb Roleplay: pierwsze kroki.
• Tryb Conversation korzysta z przełącznika Conversation messages i z tych samych przycisków. Rozmowy audio opisuje przewodnik Rozmowy audio i wideo w trybie Conversation.
• Tryb Game Mode korzysta z przełącznika Game narration. Jego mikser ma kanał TTS obok kanałów Master, Music, Sound Effects i Ambient. Ten kanał ustawia głośność mówionego dźwięku w grze i startuje na 100 procent. Zobacz Kontrolki gry.

Phonetic name (wymowa w rozmowach)

Jeśli głos przekręca nazwę postaci albo persony, uzupełnij pole Phonetic name (nazwa fonetyczna) i wpisz, jak nazwa ma brzmieć. W oknie Character Editor pole to jest na zakładce Voice. W oknie Persona Editor znajduje się przy polach z podstawowymi informacjami. Działa wyłącznie podczas rozmów audio i wideo w trybie Conversation. Przycisk Speak, automatyczne odtwarzanie i narracja w trybie Game Mode je pomijają.

Rozwiązywanie problemów

• Nic nie jest odczytywane: sprawdź, czy Use text to speech jest włączone. Potem sprawdź właściwy przełącznik Auto-play albo użyj przycisku Speak przy wiadomości.
• Sekcja pokazuje Missing Audio provider: konto wybrane jako Source zostało usunięte albo nie da się go użyć. Wybierz inne źródło. Zobacz Korzystanie z połączenia Audio.
• Brak głosów na liście: zapisz sekcję z włączonym TTS i poprawnym kluczem, a potem kliknij Refresh voices from provider. Oficjalny serwer PocketTTS korzysta z wbudowanej listy aplikacji Marinara Engine. W przypadku zgodnego adaptera PocketTTS sprawdź, czy <Base URL>/v1/voices odpowiada.
• ElevenLabs nie mówi: wybierz prawdziwy głos, a nie tekst zastępczy "Select an ElevenLabs voice". Sprawdź, czy w polu Model jest model mowy, a nie model projektowania głosu z ttv w identyfikatorze.
• Kwestia urywa się z komunikatem "No audio after 60 s": serwer głosu potrzebuje więcej czasu. Zwiększ Request timeout (seconds) w miejscu wskazanym w komunikacie. Zobacz Limit czasu żądania.
• Własny serwer pod adresem lokalnym jest blokowany: włącz TTS_LOCAL_URLS_ENABLED w pliku .env. Dzięki temu Marinara sięgnie po adres lokalny lub prywatny w przypadku serwerów zgodnych z OpenAI albo serwerów w stylu ElevenLabs. Źródło PocketTTS tego nie potrzebuje. Zobacz Konfiguracja serwera.
• Szybki test: kliknij Preview w sekcji, żeby odtworzyć krótką próbkę z bieżącymi ustawieniami.

Odniesienie: muzyka, efekty dźwiękowe i Gacha Forge

Te sekcje dotyczą zaawansowanych konfiguracji.

Muzyka i efekty dźwiękowe Game na zgodnym serwerze audio

1. W panelu Connections otwórz konto Music & Sound Effects (muzyka i efekty dźwiękowe) przez Edit model (edycja modelu) i wybierz Custom compatible server (własny zgodny serwer). Okno Add account nie ma kafelka dla tego typu konta. Takie konto powstaje przy aktualizacji albo przez import (zobacz opis kont).
2. Wpisz adres, klucz i model serwera muzyki lub efektów dźwiękowych.
3. Ustaw Generation API format (format API generowania) i wpisz ścieżki endpointów udostępnianych przez serwer. Pusta ścieżka oznacza, że dana funkcja jest niedostępna.
4. Włącz Music generation (generowanie muzyki), Sound-effect generation (generowanie efektów dźwiękowych) albo oba przełączniki.
5. Wybierz to konto podczas konfiguracji gry albo w jej ustawieniach audio. W sekcji TTS pozostaw osobno wybrane konto do mowy.

Ścieżki endpointów są dopisywane do Base URL konta. Dla http://localhost:8002/v1 użyj chat/completions, aby otrzymać /v1/chat/completions. Lokalne endpointy HTTP wymagają TTS_LOCAL_URLS_ENABLED=true w .env, tak jak inne lokalne żądania do zgodnych serwerów audio.

Obsługiwane są dwa formaty API:

• Prompt JSON → MP3 audio wysyła { "model": "your-model", "prompt": "the requested sound", "duration": 5, "response_format": "mp3" } i oczekuje bajtów MP3. Muzyka Game używa długości utworu kontekstowego (domyślnie 120 sekund). Efekty dźwiękowe żądają 5 sekund.
• Chat Completions → inline audio (ACE-Step compatible) wysyła model, jeden wpis użytkownika w messages, stream: false oraz audio_config z polami duration, instrumental: true i format: "mp3". Przyjmuje osadzone audio MP3 z choices[0].message.audio: tablicę adresów audio ACE-Step zawierającą URL danych base64 albo obiekt z polem data w base64. Zobacz kontrakt API zgodnego z ACE-Step. Zdalne adresy wyników i asynchroniczne API zadań nie są obsługiwane.

Włączaj tylko funkcje faktycznie obsługiwane przez serwer. Sam endpoint mowy zgodny z OpenAI nie oznacza obsługi muzyki ani efektów dźwiękowych. Usługa taka jak Infermatic musi udostępniać jeden z tych formatów albo adapter. Jej działający endpoint muzyczny nie został tu zweryfikowany. Do natywnego generowania przez ElevenLabs lub SunoAPI użyj odpowiedniego źródła w kategorii Music & Sound Effects. Zobacz opis kont.

Wygenerowana muzyka kontekstowa powstaje raz na obszar lub poziom starcia i jest używana ponownie. Powtarzane efekty dźwiękowe korzystają z pamięci podręcznej audio. Błąd generowania pozostawia pamięć podręczną dostępną do ponownej próby.

Dialogi i dźwięk w pakiecie Gacha Forge

Gacha Forge w wersji 1.11.0 lub nowszej korzysta z konta wybranego w sekcji TTS i jego przypisań głosów do postaci. - Włącz Read character dialogue (czytanie dialogów postaci), żeby odczytywać dialogi zaimportowanych postaci z przypisanym głosem. Ta opcja jest w kroku Lore (wiedza o świecie) podczas tworzenia nowego świata albo we własnych ustawieniach świata pakietu Gacha Forge dla istniejącego świata. Narracja, myśli, wygenerowane jednostki bez identyfikatora postaci w aplikacji Marinara Engine oraz postacie bez głosu pozostają nieme. Sama nazwa nigdy nie pożycza głosu innej postaci.

• Wybranego konta Audio można używać, gdy przełącznik TTS świata jest włączony. Przy bezpośrednim korzystaniu z własnych ustawień źródła w sekcji musi być też włączone Use text to speech.
• Wbudowana muzyka i efekty dźwiękowe Game nie wymagają konta do generowania. Żeby tworzyć nowe utwory, włącz Generate music and sound effects (generowanie muzyki i efektów dźwiękowych) w pakiecie Gacha Forge i wybierz konto Music & Sound Effects w polu Audio connection (połączenie audio). To pole pojawia się po włączeniu generowania. Utwory ekranu głównego, walki, bossów, scen fabularnych i historii postaci są generowane przy pierwszej potrzebie, a potem używane ponownie. Te żądania korzystają z twojego konta w usłudze.
• Przycisk wyciszenia w prawym górnym rogu wycisza jednocześnie muzykę, dialogi i efekty dźwiękowe. Ustawienia wizualne pakietu Gacha Forge mają osobne regulatory głośności tych trzech kanałów, w tym głośność zerową, oraz pauzę automatycznego odtwarzania (domyślnie 3 sekundy, po zakończeniu odsłaniania tekstu i ewentualnej wypowiadanej kwestii). Wybory nadal czekają na gracza. Opuszczenie sceny anuluje wypowiadany dialog. Opuszczenie świata zatrzymuje jego dźwięk.

Zaktualizuj zarówno zainstalowany pakiet Gacha Forge, jak i aplikację Marinara Engine, żeby otrzymać te opcje.

Powiązane przewodniki

• Rozmowy audio i wideo w trybie Conversation
• Synchronizacja ust z syntezą mowy dla awatarów 2D i 3D
• Tryb Roleplay: pierwsze kroki
• Game Mode: pierwsze kroki
• Obsługiwani dostawcy AI
• Tworzenie i edycja postaci
• Konfiguracja serwera