音声合成・音声認識

Utataneはゴーストの発話を音声合成で読み上げ、macOSの音声認識結果をゴーストへ通知できます。本体と相方には別の音声エンジン・話者を指定できます。

音声合成を設定する

「本体設定」→「音声」で「ゴーストの発話を読み上げる」を有効にし、スコープごとに音声エンジンを選びます。外部エンジンはUtataneに同梱されないため、別途インストールして起動してください。

macOS標準

追加のアプリは不要です。macOSにインストールされている声から選べます。

VOICEVOX互換API

VOICEVOXと、VOICEVOX Nemo、SHAREVOX、AivisSpeechなど同じAPIを実装するエンジンに対応します。エンジンを起動してAPI URLを入力し、「話者一覧を取得」から話者を選びます。VOICEVOXの既定値はhttp://127.0.0.1:50021です。

COEIROINK v2

COEIROINKを起動し、API URL、話者UUID、スタイルIDを設定します。既定値はhttp://127.0.0.1:50032です。「話者一覧を取得」から組み合わせを選ぶこともできます。

VOICEPEAK

VOICEPEAKの実行ファイルとナレーター名を指定します。標準の実行ファイルは/Applications/voicepeak.app/Contents/MacOS/voicepeakです。「話者一覧を取得」には、インストール済みナレーターだけが表示されます。

VOICEPEAKのコマンドラインAPIには入力文字数の制限があるため、長い発話は読み上げに失敗する場合があります。

VoiSona Talk

VoiSona TalkのREST APIを有効にしてから、次の項目を設定します。

API URL。既定値はhttp://127.0.0.1:32766/api/talk/v1
APIユーザー名。VoiSona Talkへログインしているメールアドレス
VoiSona TalkのAPI設定で作成したAPI用パスワード
「話者一覧を取得」でボイス、バージョン、言語を選択

API用パスワードはログイン用パスワードとは別にできます。認証情報はmacOSのKeychainへスコープごとに保存され、Utataneの設定JSONには書き込みません。また、認証情報の送信先はlocalhostとループバックIPアドレスだけに制限しています。

OpenAI互換ローカルAPI

OpenAIのPOST /v1/audio/speechと互換性のある、macOS上のローカル音声合成サーバーに対応します。API URL、モデル名、声を設定してください。必要なサーバーではBearerトークンも設定できます。

Irodori-TTSはmacOSのCPU/MPS経路を持ち、Irodori-TTS-Serverを使うとこの方式で接続できます。既定値はAPI URLがhttp://127.0.0.1:8088/v1、モデルがirodori-ttsです。リファレンス音声を登録している場合は、そのIDを「声」へ入力します。

接続先はlocalhostとループバックIPアドレスだけに制限しています。BearerトークンはmacOSのKeychainへスコープごとに保存します。

OpenAI

OpenAIの音声生成APIを使って発話を読み上げます。OpenAI APIキー、モデル、声を設定してください。既定のモデルはgpt-4o-mini-ttsです。対応するモデルでは「話し方の指示」も送信できます。

発話テキストはOpenAIへ送信され、APIの利用量に応じて料金が発生する場合があります。APIキーはmacOSのKeychainへスコープごとに保存され、設定JSONには書き込みません。APIキーの送信先はhttps://api.openai.comだけに制限しています。

ElevenLabs

ElevenLabsの音声生成APIを使って発話を読み上げます。APIキーとモデルを入力し、「話者一覧を取得」からアカウントで利用できる声を選びます。既定のモデルはeleven_multilingual_v2です。

発話テキストはElevenLabsへ送信され、APIの利用量に応じて料金が発生する場合があります。APIキーはmacOSのKeychainへスコープごとに保存され、設定JSONには書き込みません。APIキーの送信先はhttps://api.elevenlabs.ioだけに制限しています。

Aivis Cloud API

Aivis Cloud APIを使って、日本語向けの音声を生成します。APIキーと、AivisHubで確認できるモデルUUIDを設定してください。限定公開モデルでは、モデルUUIDの代わりにak_から始まるアクセスキーを指定できます。複数話者・スタイルを持つモデルでは、話者UUIDとスタイルIDも任意で指定できます。

共通設定の速さと高さはAivis Cloud APIのspeaking_rateとpitchへ変換します。発話テキストはプレーンテキストとして送信し、MP3で受信します。APIキーはmacOSのKeychainへスコープごとに保存され、送信先はhttps://api.aivis-project.comだけに制限しています。APIの利用量に応じて料金が発生する場合があります。

Azure Speech

Azure SpeechのText to Speech REST APIを使います。SpeechリソースのAPIキーとリージョンを設定し、「話者一覧を取得」から声を選んでください。既定のリージョンはjapaneastです。

発話テキストはSSMLとして送信し、共通設定の速さと高さをprosodyへ反映します。APIキーはmacOSのKeychainへ保存し、送信先はhttps://<region>.tts.speech.microsoft.com形式の公式HTTPSホストだけに制限しています。APIの利用量に応じて料金が発生する場合があります。

Google Cloud TTS

Google Cloud Text-to-Speech APIを使います。Text-to-Speech APIを有効にしたプロジェクトのAPIキーを設定し、「話者一覧を取得」から声と言語を選んでください。

APIキーはURLへ含めず、x-goog-api-keyヘッダーで送ります。発話テキストと速さ・高さはGoogle Cloudへ送信され、MP3を受信します。APIキーはmacOSのKeychainへ保存し、送信先はhttps://texttospeech.googleapis.comだけに制限しています。APIの利用量に応じて料金が発生する場合があります。

AITalk WebAPI

AITalk WebAPI v5を使います。契約時に発行されたユーザー名とパスワードを入力し、標準話者から選ぶか、契約しているカスタム話者のspeaker_nameを「声」へ入力してください。

共通設定の速さと高さをAITalkのspeedとpitchへ変換し、プレーンテキストを送信してMP3を受信します。認証情報はmacOSのKeychainへスコープごとに保存され、設定JSONには書き込みません。認証情報と発話テキストの送信先はhttps://webapi.aitalk.jp/webapi/v5/ttsget.phpだけに制限しています。利用には法人向けAITalk WebAPIの契約が必要です。

CoeFont Cloud

CoeFont API v2を使います。CoeFontのAPI情報ページで取得したアクセスキーとアクセスシークレットを設定し、「話者一覧を取得」から契約中のCoeFontを選んでください。詳細画面に表示されるCoeFont UUIDを「声」へ直接入力することもできます。

共通設定の速さと高さはCoeFontのspeedとpitchへ変換し、MP3を受信します。APIリクエストはアクセスシークレットを用いたHMAC-SHA256で署名します。認証情報はmacOSのKeychainへスコープごとに保存され、送信先はhttps://api.coefont.cloudだけに制限しています。音声ファイルへのリダイレクト時には署名ヘッダーを削除します。利用できる声と料金はCoeFontの契約内容に従います。

SakuraScriptから読み上げを調整する

\__v[disable]以降は読み上げず、\__v[alternate,テキスト]を使うと画面表示とは別の読みを指定できます。引数なしの\__vで通常の読み上げに戻ります。詳しくはSakuraScript互換状況を参照してください。

音声認識を設定する

「本体設定」→「音声」で「マイクから音声を認識する」を有効にします。初回はmacOSからマイクと音声認識の許可を求められます。確定した認識結果はOnVoiceRecognitionWordでゴーストへ通知されます。

利用できる環境ではオンデバイス認識を選べますが、選択した言語やmacOSの状態によっては利用できません。