🤖 تثبيت Kokoro TTS — واجهة تحويل نص إلى كلام محلية وسريعة
انشر Kokoro TTS على Ubuntu بواسطة Docker — واجهة برمجية سريعة وعالية الجودة لتحويل النص إلى كلام متوافقة مع OpenAI، تعمل على المعالج فقط، ومثالية كخلفية صوتية لـ Open WebUI، على المنفذ 8880.
📦 الملفات والأكواد المطلوبة
قبل البدء، يرجى التأكد من تحميل الأكواد المطلوبة من مستودعنا على GitHub لتتمكن من تطبيق الخطوات مع الفيديو بسهولة.
التثبيت السريع:
wget https://raw.githubusercontent.com/mhmdali94/Docker/main/ai/kokoro/kokoro-ubuntu.sh
chmod +x kokoro-ubuntu.sh
sudo bash kokoro-ubuntu.sh
خطوات التنفيذ
1 تحميل السكريبت
wget https://raw.githubusercontent.com/mhmdali94/Docker/main/ai/kokoro/kokoro-ubuntu.sh
2 منحه صلاحية التنفيذ
chmod +x kokoro-ubuntu.sh
3 تشغيل المثبّت
يثبّت السكريبت Docker إن لزم، ويشغّل نسخة Kokoro FastAPI المخصصة للمعالج على المنفذ 8880، ويكشف نقطة نهاية متوافقة مع OpenAI لتحويل النص إلى كلام.
sudo bash kokoro-ubuntu.sh
4 توليد الكلام
Kokoro واجهة برمجية فقط — لا توجد واجهة ويب. ولّد الصوت بإرسال طلب POST إلى نقطة نهاية الكلام المتوافقة مع OpenAI:
curl -X POST http://<your-server-ip>:8880/v1/audio/speech
المنافذ المستخدمة
| المنفذ | الغرض |
|---|---|
| 8880 | OpenAI-compatible /v1/audio/speech endpoint (host → container 8880) — no web UI |
| build | CPU build by default — runs well without a GPU |
نظرة عامة
Kokoro TTS هو سيرفر تحويل نص إلى كلام ذاتي الاستضافة مبني حول نموذج الكلام مفتوح الأوزان Kokoro-82M، ملفوف داخل تطبيق FastAPI يكشف نقطة نهاية /v1/audio/speech متوافقة مع OpenAI. النموذج صغير بما يكفي — حوالي 82 مليون معامل — لإنتاج كلام طبيعي وعالي الجودة بالاعتماد الكامل على المعالج (CPU)، أي أنك لا تحتاج بطاقة رسومية لتشغيله في بيئة إنتاجية. ولأنه يحاكي شكل واجهة OpenAI البرمجية لتحويل النص إلى كلام، يمكن لأي أداة أو تطبيق مبني مسبقاً للاتصال بـ OpenAI TTS أن يُوجَّه إلى سيرفرك الخاص بمجرد تغيير سطر واحد هو رابط القاعدة (base URL).
لماذا تستخدمه
يمنحك Kokoro TTS بديلاً خاصاً وذاتي الاستضافة لواجهات TTS السحابية مثل OpenAI أو ElevenLabs، دون فوترة لكل حرف، ودون حدود لعدد الطلبات، ودون أن يغادر أي نص خوادمك الخاصة إطلاقاً. إنه أحد النماذج القليلة التي تنتج كلاماً طبيعياً فعلياً دون الحاجة لبطاقة رسومية، مما يجعل تشغيله واقعياً على VPS عادي أو سيرفر منزلي. ولأنه يحاكي نفس عقد /v1/audio/speech الخاص بـ OpenAI، فهو يندمج مباشرة في أي خط معالجة أو بوت محادثة أو تطبيق مُعدّ مسبقاً للعمل مع واجهة OpenAI الصوتية، وهو خلفية صوتية طبيعية لواجهات الذكاء الاصطناعي ذاتية الاستضافة مثل Open WebUI.
متى تحتاجه
- تُشغّل Open WebUI أو واجهة محادثة ذكاء اصطناعي مشابهة وتريد ردوداً منطوقة دون إرسال النص لواجهة برمجية خارجية
- تبني مساعداً صوتياً أو نظام استجابة صوتية تفاعلي (IVR) أو خط سرد وتحتاج نقطة نهاية TTS متوافقة مع OpenAI تتحكم بها بالكامل
- تريد تجنّب الفوترة لكل حرف أو لكل طلب من مزودي تحويل النص إلى كلام السحابيين في تطبيق عالي الاستخدام
- سيرفرك لا يملك بطاقة رسومية، لكنك ما زلت تحتاج تركيب كلام سريع وطبيعي في بيئة إنتاجية
- تتعامل مع نصوص حساسة أو خاصة — تذاكر دعم، مستندات داخلية، ملاحظات شخصية — يجب ألا تُرسل أبداً لواجهة TTS خارجية
من يحتاجه
- أصحاب الاستضافة الذاتية الذين يشغّلون Open WebUI أو LibreChat أو واجهات محادثة مشابهة ويريدون خلفية صوتية خاصة
- المطورون الذين يبنون مساعدين صوتيين أو أنظمة IVR أو أدوات إتاحة ويحتاجون بديلاً جاهزاً لواجهة OpenAI TTS
- عشاق المختبرات المنزلية والذكاء الاصطناعي الذين يجربون خطوط معالجة ذكاء اصطناعي محلية ويريدون تجنب تكاليف TTS السحابية
- صنّاع المحتوى الذين يولّدون سرداً أو كتباً صوتية أو تعليقاً صوتياً للفيديوهات ويحتاجون تكراراً سريعاً دون فواتير واجهة برمجية
- الشركات ذات متطلبات الخصوصية أو الامتثال التي تمنع إرسال نص العملاء لخدمات سحابية خارجية
- المطورون الذين يبنون نماذج أولية لتطبيقات صوتية ويحتاجون نقطة نهاية مجانية وغير محدودة للاختبار قبل الالتزام بواجهة مدفوعة
- مشاريع إتاحة الوصول التي تحتاج تحويل نص إلى كلام موثوق لقارئات الشاشة أو أدوات مساعدة القراءة دون تكاليف متكررة
حالات الاستخدام الشائعة
- إضافة ردود منطوقة لمساعد محادثة ذكاء اصطناعي ذاتي الاستضافة مثل Open WebUI
- توليد سرد أو تعليق صوتي للفيديوهات أو البودكاست أو محتوى التعلم الإلكتروني
- تشغيل أنظمة الهاتف IVR والمساعدين الصوتيين بكلام طبيعي المظهر
- قراءة المستندات الطويلة أو المقالات أو الكتب الإلكترونية بصوت عالٍ لأغراض إتاحة الوصول
- بناء نموذج أولي لميزات صوتية في تطبيق قبل الدفع لواجهة TTS تجارية
- تحويل محتوى نصي بالجملة إلى صوت للاستماع دون اتصال بالإنترنت
الميزات الرئيسية
- نقطة نهاية /v1/audio/speech متوافقة مع OpenAI تعمل كبديل جاهز لواجهة OpenAI لتحويل النص إلى كلام
- مبني على نموذج Kokoro-82M مفتوح الأوزان — صغير بما يكفي للعمل بسرعة على المعالج دون الحاجة لبطاقة رسومية
- أصوات مدمجة متعددة ودعم لعدة لغات منها الإنجليزية (أمريكية/بريطانية) والإسبانية والفرنسية والإيطالية واليابانية والصينية الماندرين
- مزج الأصوات وتوليد متعدد المتحدثين لدمج أو التبديل بين الأصوات
- دعم SSML للتحكم في النطق والوقفات والتشديد داخل الكلام المُولَّد
- ترجمات مصحوبة بطابع زمني لكل كلمة أو مقطع لتوليد ترجمات أو محتوى بأسلوب الكاريوكي
- واجهة ويب خفيفة اختيارية لاختبار الأصوات تفاعلياً دون كتابة أي كود
- صور Docker متاحة لبنية المعالج (CPU) وبطاقات NVIDIA وAMD
كيفية الاستخدام بعد التثبيت
- تأكد أن الحاوية تعمل ويمكن الوصول إليها بطلب قائمة الأصوات أو توليد صوتي تجريبي قصير
- وجّه إعداد محرك تحويل النص إلى كلام في Open WebUI إلى نقطة نهاية متوافقة مع OpenAI على http://your-server-ip:8880/v1
- جرّب الأصوات المدمجة المختلفة لإيجاد الأنسب لحالة استخدامك قبل ربطها بتطبيق
- ادمج نقطة النهاية في كودك الخاص باستخدام أي مكتبة عميل OpenAI TTS بتغيير رابط القاعدة فقط
- اضبط صيغة الاستجابة (mp3، wav، opus) لتطابق ما يتوقعه المشغّل أو خط المعالجة لديك
- قِس سرعة التوليد على جهازك الخاص — أداء المعالج يختلف بشكل كبير بين مواصفات السيرفرات
- أعدّ وكيلاً عكسياً مع HTTPS إذا كنت تخطط لاستدعاء الواجهة البرمجية من خارج شبكتك المحلية
- راقب استهلاك موارد الحاوية أثناء ذروة التوليد لتقرر إن كنت تحتاج توسيع تخصيص المعالج
أفضل ممارسات الأمان
- يأتي Kokoro TTS بدون أي مصادقة افتراضياً — لا تكشف المنفذ 8880 مباشرة للإنترنت العام أبداً
- قيّد الوصول بـ ufw أو جدار حماية سحابتك بحيث لا يصل للمنفذ 8880 إلا المضيفون الموثوقون أو شبكتك المحلية
- ضع الواجهة البرمجية خلف وكيل عكسي مع HTTPS وطبقة مصادقة (مفتاح API أو مصادقة أساسية) إذا احتجت وصولاً عن بُعد
- استخدم VPN مثل WireGuard للوصول عن بُعد بدلاً من كشف نقطة النهاية للعامة
- حافظ على تحديث صورة Docker لاستلام تحديثات الاعتمادية والأمان من المصدر
- اعزل الحاوية على شبكة Docker خاصة بها إذا كانت تشارك المضيف مع خدمات مكشوفة أخرى
- سجّل وراقب الطلبات إذا كانت نقطة النهاية متاحة لعدة تطبيقات داخلية، لرصد أي ارتفاع غير متوقع في الاستخدام
- تجنّب إرسال بيانات شديدة الحساسية عبر أي خط TTS يسجّل نص الإدخال، حتى لو كان محلياً
المنافذ وإعدادات جدار الحماية
يكشف Kokoro TTS منفذاً واحداً هو 8880 على المضيف، معيّناً إلى المنفذ الداخلي للحاوية. يخدم هذا المنفذ الواجهة البرمجية REST المتوافقة مع OpenAI فقط — لا توجد واجهة ويب. ولأن نقطة النهاية لا تملك مصادقة مدمجة، يجب ألا تُكشف أبداً مباشرة للإنترنت العام: احظر الوصول الوارد للمنفذ 8880 في جدار حمايتك إلا من المضيفين الموثوقين، وإذا احتجت وصولاً عن بُعد، ضعه خلف وكيل عكسي يضيف HTTPS وطبقة مصادقة، أو صِل إليه عبر VPN مثل WireGuard.
النسخ الاحتياطي والصيانة
- احتفظ بنسخة من docker-compose.yml أو أمر التشغيل لتتمكن من إعادة إنشاء نفس إعدادات الحاوية بالضبط على مضيف جديد
- إذا خصّصت حزم أصوات أو نماذج أو ملفات إعداد، احتفظ بنسخة احتياطية من الحجم المُثبَّت الذي يحتوي عليها
- Kokoro TTS نفسه عديم الحالة تقريباً باستثناء الإعداد — لا توجد قاعدة بيانات أو بيانات مستخدم للنسخ الاحتياطي
- وثّق متغيرات البيئة التي استخدمتها (نوع البنية، إصدار النموذج) حتى تطابق إعادة النشر إعدادك الأصلي
- احتفظ بنسخة من أي كود تكامل عميل أو مفاتيح API مستخدمة للمصادقة أمام وكيل عكسي أمام Kokoro
- اختبر أن حاوية جديدة أُعيد إنشاؤها من ملف compose المحفوظ تنتج نفس الأصوات والسلوك
الأخطاء الشائعة
- توقّع واجهة ويب على المنفذ 8880 — Kokoro TTS واجهة برمجية فقط، وفتح الرابط في المتصفح لن يُظهر أي واجهة
- كشف المنفذ 8880 للإنترنت العام دون أي مصادقة أو وكيل عكسي أمامه
- نسيان مسار /v1/audio/speech عند استدعاء الواجهة البرمجية — رابط القاعدة وحده لن يولّد كلاماً
- افتراض أن بطاقة رسومية مطلوبة — نسخة المعالج تتعامل مع معظم الأحمال جيداً وهي الخيار الافتراضي الأبسط والأقل موارد
- عدم اختبار الأصوات المتاحة قبل الدمج — معرّفات الأصوات تختلف حسب البنية واختيار واحد عشوائياً قد ينتج نتائج غير متوقعة
- إرسال كتل نصية كبيرة جداً في طلب واحد بدلاً من تقسيمها، مما قد يبطئ التوليد أو يُفشله
- عدم مطابقة صيغة الصوت المطلوبة مع ما يتوقعه المشغّل، مما يسبب أخطاء تشغيل
- تجاهل قواعد جدار الحماية لأنه "مجرد مختبر منزلي" — نقطة نهاية TTS مفتوحة يمكن استغلالها لحمل غير مرغوب
استكشاف الأخطاء وإصلاحها
- لا استجابة من الواجهة البرمجية — تحقق أن الحاوية تعمل بـ docker ps وراجع السجلات بـ docker logs لأخطاء بدء التشغيل
- رفض الاتصال على المنفذ 8880 — تأكد من تعيين المنفذ في ملف compose وأن ufw يسمح بالمنفذ محلياً
- توليد كلام بطيء — التوليد بالمعالج فقط أبطأ على أجهزة VPS قليلة الأنوية؛ فكّر في نسخة GPU إن كان لديك جهاز متوافق
- Open WebUI لا يصل إلى Kokoro — تحقق مرتين أن رابط القاعدة يتضمن /v1 وأن حاوية Open WebUI تستطيع الوصول لحاوية Kokoro عبر الشبكة
- الصوت يبدو خاطئاً أو مشوّهاً — تأكد أن معرّف الصوت المطلوب موجود في بنيتك وأن صيغة الاستجابة تطابق مشغّلك
- أخطاء 404 على الطلبات — تأكد أنك ترسل إلى /v1/audio/speech وليس فقط الرابط الجذري
- استهلاك ذاكرة مرتفع — أعد تشغيل الحاوية دورياً إذا لاحظت تزايداً تدريجياً أثناء أحمال عمل طويلة وعالية الحجم
- الحاوية تتوقف فوراً بعد البدء — تحقق من تعارض المنفذ مع خدمة أخرى مربوطة بالفعل بالمنفذ 8880
البدائل
يوفر Speaches، الموجود أيضاً في هذا الدليل، تحويل الكلام إلى نص (عبر faster-whisper) وتحويل النص إلى كلام معاً خلف واجهة برمجية واحدة متوافقة مع OpenAI، مما يجعله خياراً جيداً إذا احتجت النسخ إلى جانب التوليد. Piper محرك TTS عصبي خفيف جداً وسريع يعمل جيداً حتى على أجهزة أضعف مثل Raspberry Pi، رغم أن جودة صوته تُعتبر عموماً أقل من Kokoro. يوفر Coqui TTS قدرات أكثر تقدماً في استنساخ الأصوات والضبط الدقيق لكنه أثقل في التشغيل وأنسب لأجهزة تملك GPU. تقدّم الخدمات السحابية مثل OpenAI TTS وElevenLabs أعلى جودة صوت إجمالية وأوسع تشكيلة أصوات، لكن بتكلفة لكل حرف ودون خصوصية النشر الذاتي. لنقطة نهاية مجانية وودودة للمعالج ومتوافقة مع OpenAI بجودة صوت قوية، يُعد Kokoro TTS أحد أفضل الخيارات المتاحة.
متى لا تستخدمه
Kokoro TTS ليس الخيار الصحيح إذا كنت تحتاج استنساخ صوت بجودة استوديو لشخص معيّن أو إلقاء عاطفي قابل للتخصيص بشكل كبير — الخدمات التجارية أو أدوات استنساخ الصوت المخصصة مثل Coqui TTS أو ElevenLabs تذهب أبعد في هذا الاتجاه. إذا احتجت تحويل الكلام إلى نص إلى جانب تحويل النص إلى كلام من سيرفر واحد، يغطي Speaches الاتجاهين بنشر واحد. وإذا كان حِمل عملك حساساً جداً لزمن الاستجابة عند تزامن عالٍ، فقد تتفوق واجهة تجارية مدعومة بـ GPU على نسخة ذاتية الاستضافة تعتمد على المعالج فقط تحت حمل متزامن ثقيل. لكن لحالات السرد المعتاد وردود بوتات المحادثة الصوتية وإتاحة الوصول، يغطي Kokoro TTS الحاجة دون أي من هذه المقايضات.
هل تحتاج مساعدة احترافية؟
توفر PrismaTechWork خدمات بنية تحتية شاملة — من النشر الأولي وتصليب الأمان إلى المراقبة المستمرة والنسخ الاحتياطي التلقائي والدعم المخصص. سواء كنت تحتاج إعداد سيرفر واحد أو شبكة متعددة المواقع، يضمن فريقنا بناء بنيتك التحتية بشكل صحيح وتأمينها بالشكل المناسب وصيانتها باستمرار.
- التثبيت وتجهيز السيرفر
- الإعداد المتقدم وإعداد التوجيه
- تصليب الأمان وتحسين جدار الحماية
- إعداد شهادات SSL/TLS مع Let's Encrypt
- ربط النطاق المخصص والوكيل العكسي
- جدولة النسخ الاحتياطي التلقائي والتعافي من الكوارث
- المراقبة الفورية وتنبيهات الجاهزية
- الترحيل من المنصات القائمة
- استكشاف مشكلات الاتصال والأداء وإصلاحها
- سكريبتات أتمتة مخصصة وعقود دعم مستمر
الأسئلة الشائعة
ما هو Kokoro TTS؟
سيرفر تحويل نص إلى كلام مبني حول نموذج الكلام مفتوح الأوزان Kokoro، ملفوف داخل سيرفر FastAPI بنقطة نهاية متوافقة مع OpenAI.
هل أحتاج بطاقة رسومية (GPU)؟
لا — وهذا جزء أساسي من جاذبيته. يستخدم هذا النشر نسخة المعالج (CPU)، وKokoro فعّال بما يكفي لإنتاج كلام جيد دون بطاقة رسومية، وهو أمر لا تستطيعه نماذج TTS كثيرة.
أي منفذ يستخدمه، وهل توجد واجهة؟
المنفذ 8880 على المضيف، ولا توجد واجهة ويب — إنه واجهة برمجية. تستدعيه من أدوات أو كود، موجّهاً إياها إلى http://your-server-ip:8880/v1 كرابط قاعدة، وترسل الطلبات إلى /v1/audio/speech. فتح العنوان في متصفح لن يُظهر واجهة.
كيف أستخدمه مع Open WebUI؟
في إعدادات الصوت بـ Open WebUI، اضبط خلفية تحويل النص إلى كلام على نقطة نهاية متوافقة مع OpenAI ووجّهها إلى رابط Kokoro — http://your-server-ip:8880/v1.
ما الفرق بينه وبين Speaches؟
يركّز Kokoro على تحويل النص إلى كلام باستخدام نموذج Kokoro، وقوته في صوت فعّال وعالي الجودة على المعالج. أما Speaches، الموجود أيضاً في هذا الدليل، فيوفر تحويل الكلام إلى نص (عبر faster-whisper) وTTS معاً خلف واجهة برمجية متوافقة مع OpenAI.