VOICEVOX をインストールして HTTP API を使う #JavaScript – Qiita

「無料で使える中品質なテキスト読み上げ・歌声合成ソフトウェア」VOICEVOX をインストールし、HTTP API を使用して音声合成をする方法を紹介する。
本記事では、歌声合成は扱わない。

本記事の内容は執筆時点におけるものであり、将来のバージョンアップなどにより変化する可能性がある。

まず、利用規約を確認する。

ソフトウェア利用規約 | VOICEVOX

トップページの「ダウンロード」を押す。

VOICEVOX | 無料のテキスト読み上げ・歌声合成ソフトウェア

以下のような画面が出るので、OSなどを選択し「ダウンロード」を押す。

ファイルを保存する。
Windows の GPU/CPU 版では、「インストーラー」を選択した場合、ここでのダウンロードサイズは約1.1MBだったが、インストーラーを起動すると以下のような追加の容量を要求する表示が出た。

インストールのために合計 1.60 GB の追加ファイルをダウンロードします。
インストーラーが置かれたドライブには一時的に 3.20 GB 以上の空きが必要です。

「Zip」を選択した場合、ダウンロードサイズは約1.7GBだった。

今回は、インストーラーでインストールを進めた。
起動すると、まず2段階に分かれたデータのダウンロードがあった。
このダウンロード時に表示されるウィンドウは、タスクバーに表示されない上、2段階目のダウンロードが始まる時に位置がリセットされる (というより新しいウィンドウになる？) ため、処理が予期せず止まったと勘違いする可能性がある。
ダウンロードの完了後は、あまり変わった設定項目などは無く、画面に沿って進めるだけだった。

スタートメニューの「VOICEVOX」を選択することで、起動できる。
起動すると、まず利用規約への同意を要求された。
この利用規約はWebページに掲載されているものとは異なり、Google アナリティクスの使用に関するものであった。
とはいえ、1ページに収まる程度に短い、という点は共通していた。

同意すると、キャラクターの紹介の画面になった。
ここでは、各キャラクターの画像が表示され、ボイスを聞くことができるようだった。

「完了」を押すと、利用状況のデータの収集を許可するかを選択する画面になった。
ここでは、プライバシーポリシーとして再び Google アナリティクスの話題が出た。

「許可」を押すと、ここまで使えなかったメニューが使えるようになった。

2回目以降の起動では、ここまでの手順は省略でき、最初からメニューが使えるようだった。

VOICEVOX を起動している間、HTTP API が利用できる。
起動したウィンドウを (×ボタンなどで) 閉じると、VOICEVOX が終了し、HTTP API が利用できなくなる。
最小化であれば利用できる。

HTTP API は、http://localhost:50021 に API のドキュメントにあるパス (/audio_query など) を繋げたパス (http://localhost:50021/audio_query など) でアクセスする。

以下のページに、API のドキュメントがある。
(厳密には VOICEVOX ENGINE OSS のドキュメントなので、公式版とは違うかも)
voicevox_engine API Document

また、API の中に API のドキュメントも含まれている。
VOICEVOX Engine – Swagger UI (VOICEVOX 起動中のみアクセス可)
こちらは上記ページと比べて

• 本編とは別の目次が無い
• 各 API の説明がいちいち開かないと見られない
• 各 API に渡すデータの内容の説明がいちいち Schema を押さないと見られない

などの違いがあって見にくいが、情報の確実性は高いかもしれない。
上記ページを参照していて不具合が出た際に確認するとよさそうだ。

ここでは、具体的に音声合成に使用する HTTP API を見ていく。

話者のリストを取得する

curl http://localhost:50021/speakers

[
  {
    "name": "四国めたん",
    "speaker_uuid": "7ffcb7ce-00ec-4bdc-82cd-45a8889e43ff",
    "styles": [
      {
        "name": "ノーマル",
        "id": 2,
        "type": "talk"
      },
      {
        "name": "あまあま",
        "id": 0,
        "type": "talk"
      },
      /* 省略 */
    ],
    "version": "0.15.9",
    "supported_features": {
      "permitted_synthesis_morphing": "SELF_ONLY"
    }
  },
  {
    "name": "ずんだもん",
    "speaker_uuid": "388f246b-8c41-4ac1-8e2d-5d79f3ff56d9",
    "styles": [
      {
        "name": "ノーマル",
        "id": 3,
        "type": "talk"
      },
      {
        "name": "あまあま",
        "id": 1,
        "type": "talk"
      },
      /* 省略 */
    ],
    "version": "0.15.9",
    "supported_features": {
      "permitted_synthesis_morphing": "SELF_ONLY"
    }
  },
  /* 省略 */
]

curl -X POST "http://localhost:50021/audio_query?text=hoge&speaker=3"

{
  "accent_phrases": [
    {
      "moras": [
        {
          "text": "ホ",
          "consonant": "h",
          "consonant_length": 0.0942455306649208,
          "vowel": "o",
          "vowel_length": 0.10275200754404068,
          "pitch": 5.911960601806641
        },
        {
          "text": "オ",
          "consonant": null,
          "consonant_length": null,
          "vowel": "o",
          "vowel_length": 0.11444990336894989,
          "pitch": 5.984631061553955
        },
        {
          "text": "ジュ",
          "consonant": "j",
          "consonant_length": 0.08556792885065079,
          "vowel": "u",
          "vowel_length": 0.17203177511692047,
          "pitch": 5.779711723327637
        }
      ],
      "accent": 1,
      "pause_mora": null,
      "is_interrogative": false
    }
  ],
  "speedScale": 1,
  "pitchScale": 0,
  "intonationScale": 1,
  "volumeScale": 1,
  "prePhonemeLength": 0.1,
  "postPhonemeLength": 0.1,
  "pauseLength": null,
  "pauseLengthScale": 1,
  "outputSamplingRate": 24000,
  "outputStereo": false,
  "kana": "ホ'オジュ"
}

curl -X POST "http://localhost:50021/accent_phrases?text=hoge&speaker=3"

[
  {
    "moras": [
      {
        "text": "ホ",
        "consonant": "h",
        "consonant_length": 0.0942455306649208,
        "vowel": "o",
        "vowel_length": 0.10275200754404068,
        "pitch": 5.911960601806641
      },
      {
        "text": "オ",
        "consonant": null,
        "consonant_length": null,
        "vowel": "o",
        "vowel_length": 0.11444990336894989,
        "pitch": 5.984631061553955
      },
      {
        "text": "ジュ",
        "consonant": "j",
        "consonant_length": 0.08556792885065079,
        "vowel": "u",
        "vowel_length": 0.17203177511692047,
        "pitch": 5.779711723327637
      }
    ],
    "accent": 1,
    "pause_mora": null,
    "is_interrogative": false
  }
]

curl -X POST "http://localhost:50021/accent_phrases?text=%E3%83%9B'%E3%82%B2&speaker=3&is_kana=1"

[
  {
    "moras": [
      {
        "text": "ホ",
        "consonant": "h",
        "consonant_length": 0.08319418877363205,
        "vowel": "o",
        "vowel_length": 0.09501688182353973,
        "pitch": 5.961258888244629
      },
      {
        "text": "ゲ",
        "consonant": "g",
        "consonant_length": 0.07631837576627731,
        "vowel": "e",
        "vowel_length": 0.2244843691587448,
        "pitch": 5.87221097946167
      }
    ],
    "accent": 1,
    "pause_mora": null,
    "is_interrogative": false
  }
]

# 渡すデータをファイルに保存する
curl -X POST -o data.json "http://localhost:50021/audio_query?text=hoge&speaker=3"
# データを渡し、音声合成を行う
curl -X POST -o voice.wav -H "Content-Type: application/json" -d @data.json "http://localhost:50021/synthesis?speaker=3"

curl -X POST "http://localhost:50021/initialize_speaker?speaker=3&skip_reinit=true

const endpoint = "http://localhost:50021";
const speakerId = 3;
const text = "ハ'ロオ、ワ'アルド";
const isKana = true;

// パラメータを得る
const params = await (await fetch(
  endpoint + "/audio_query?text=&speaker=" + speakerId,
  {
    method: "POST",
  }
)).json();

// 合成を行う内容を得る
const data = await (await fetch(
  endpoint + "/accent_phrases?text=" + encodeURIComponent(text) +
    "&speaker=" + speakerId + (isKana ? "&is_kana=true" : ""),
  {
    method: "POST",
  }
)).json();
params.accent_phrases = data;

// 合成を行う (Blob オブジェクトを得る)
const wav = await (await fetch(
  endpoint + "/synthesis?speaker=" + speakerId,
  {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
    },
    body: JSON.stringify(params),
  }
)).blob();