add_notes_voice_pptx2.py ダウンロード/コピー

add_notes_voice_pptx2.py をダウンロード

add_notes_voice_pptx2.py
add_notes_voice_pptx2.py
  1import os
  2import sys
  3import re
  4import shutil
  5import argparse
  6import time
  7import traceback
  8
  9try:
 10    from tktts import tkTTS
 11    import win32com.client
 12except ImportError as e:
 13    print(f"Error: tktts/win32com.client のインポートエラー: {e}")
 14    print("tktts.py が同一ディレクトリに存在し、win32com.client がインストールされていることを確認してください。")
 15    sys.exit(1)
 16
 17
 18DEFAULT_ENGINE = "pyttsx3"
 19DEFAULT_VOICEVOX_ENDPOINT = "http://127.0.0.1:50021"
 20DEFAULT_TEMP_DIR = "tts_temp_wavs_pptx" # 一時ファイルを格納するディレクトリ
 21DEFAULT_SPEAK_RATE = 150 # pyttsx3の読み上げ速度 (WPM)
 22
 23VOICE_MAPS = {
 24    "pyttsx3": {"Zira": "Zira", "David": "David", "四国めたん": "Zira", "ずんだもん": "David", "れいむ": "Zira", "まりさ": "David"},
 25    "qwen3": {"四国めたん": "Ono_Anna", "ずんだもん": "Ono_Anna", "れいむ": "Ono_Anna", "まりさ": "Ono_Anna"},
 26    "qwen": {"四国めたん": "Ono_Anna", "ずんだもん": "Ono_Anna", "れいむ": "Ono_Anna", "まりさ": "Ono_Anna"},
 27    "qwen_api": {"四国めたん": "Ono_Anna", "ずんだもん": "Ono_Anna", "れいむ": "Ono_Anna", "まりさ": "Ono_Anna"},
 28    "qwen-api": {"四国めたん": "Ono_Anna", "ずんだもん": "Ono_Anna", "れいむ": "Ono_Anna", "まりさ": "Ono_Anna"},
 29    "irodori": {"四国めたん": "default", "ずんだもん": "default", "れいむ": "default", "まりさ": "default"},
 30    "irodori-tts": {"四国めたん": "default", "ずんだもん": "default", "れいむ": "default", "まりさ": "default"},
 31    "irodori_api": {"四国めたん": "none", "ずんだもん": "none", "れいむ": "none", "まりさ": "none"},
 32    "irodori-api": {"四国めたん": "none", "ずんだもん": "none", "れいむ": "none", "まりさ": "none"},
 33    "aquestalkplayer": {"四国めたん": "れいむ", "ずんだもん": "まりさ", "れいむ": "れいむ", "まりさ": "まりさ"},
 34    "openai": {"四国めたん": "nova", "ずんだもん": "shimmer", "れいむ": "alloy", "まりさ": "fable"},
 35    "gemini": {"四国めたん": "Kore", "ずんだもん": "Puck", "れいむ": "Aoede", "まりさ": "Charon"},
 36    "edge": {"四国めたん": "Nanami", "ずんだもん": "Keita", "れいむ": "Nanami", "まりさ": "Keita"},
 37    "edge_tts": {"四国めたん": "Nanami", "ずんだもん": "Keita", "れいむ": "Nanami", "まりさ": "Keita"},
 38    "edge-tts": {"四国めたん": "Nanami", "ずんだもん": "Keita", "れいむ": "Nanami", "まりさ": "Keita"},
 39}
 40
 41
 42def terminate(pause = True):
 43    """プログラムを終了する"""
 44    if pause: input("\nPress ENTER to terminate>>\n")
 45    exit()
 46
 47def initialize():
 48    # speak.py のオプションを可能な限り移植
 49    parser = argparse.ArgumentParser(
 50        description="PPTXノートから音声ファイルを生成し、自動再生リンクを設定するプログラム (Windows/PowerPoint, tktts使用)",
 51        formatter_class=argparse.RawTextHelpFormatter
 52    )
 53
 54    parser.add_argument("--mode", choices=['list', 'conv'], help="実行モード:\n list: 利用可能な音声名を表示\n conv: PPTXノートから音声を生成しPPTXにリンク", default='conv')
 55    parser.add_argument(
 56        "--monologue", type=int, choices=(0, 1), default=1,
 57        help="1: 独話形式、0: '話者名,本文' の対話形式 (default: 1)",
 58    )
 59
 60    parser.add_argument("--tts", choices=["pyttsx3", "voicevox", "qwen3", "qwen", "qwen_api", "qwen-api", "irodori", "irodori-tts", "irodori_api", "irodori-api", "aquestalkplayer", "atp", "openai", "gemini", "edge", "edge_tts", "edge-tts"], default=DEFAULT_ENGINE, help="TTSエンジンを選択")
 61    
 62    parser.add_argument("--input_path",    "-i", type=str, help="[convモード] ノート設定済みPPTXファイルパス")
 63    parser.add_argument("--audio_dir",     "-a", type=str, default="audio_output", help="[convモード] 生成された音声ファイルを保存するディレクトリ")
 64    parser.add_argument("--output_path",   "-o", type=str, help="[convモード] 音声リンクが追加された出力PPTXファイルパス")
 65    
 66    parser.add_argument("--voices", "-v", type=str, default="", help="[tktts] voice_map の上書き (話者名=ボイス;話者名=ボイス)")
 67    parser.add_argument("--temp_dir", type=str, default=DEFAULT_TEMP_DIR, help="一時ファイルを作成するディレクトリ名")
 68    
 69    # pyttsx3/AQT/OpenAI 共通 (speak.py準拠)
 70    parser.add_argument("--speak_rate", type=int, default=DEFAULT_SPEAK_RATE, help="[pyttsx3] 読み上げ速度 (WPM) / [AQT] 速度比")
 71    parser.add_argument("--tinterval", type=float, default=0.5, help="[AQT/OpenAI/VOICEVOX] 音声ファイル間に挿入する無音区間の長さ(秒)")
 72    
 73    # VOICEVOX 固有オプション (speak.py準拠)
 74    parser.add_argument("--endpoint", type=str, default=DEFAULT_VOICEVOX_ENDPOINT, help="[VOICEVOX] Engineのendpoint")
 75    parser.add_argument("--fspeak_rate", type=float, default=1.0, help="[VOICEVOX] 読み上げ速度比 (標準: 1.0)")
 76    parser.add_argument("--fspeak_pitch", type=float, default=0.0, help="[VOICEVOX] 声の高さ比 (標準: 0.0)")
 77
 78    # AquesTalkPlayer 固有オプション (speak.py準拠)
 79    parser.add_argument("--aquestalk_path", type=str, default="AquesTalkPlayer.exe", help="[AQT] AquesTalkPlayer.exe の実行パス")
 80    
 81    # OpenAI 固有オプション (speak.py準拠)
 82    parser.add_argument("--instruction", type=str, default="", help="[OpenAI/Gemini] TTS APIへの追加指示")
 83    parser.add_argument("--gemini_model", type=str, default="gemini-3.8-flash-tts",
 84                        help="[Gemini] TTS model ID")
 85    parser.add_argument("--gemini_api_key", type=str, default=os.environ.get("GEMINI_API_KEY", ""),
 86                        help="[Gemini] API key (通常は GEMINI_API_KEY 環境変数を使用)")
 87    parser.add_argument("--edge_rate", type=str, default="+0%", help="[Edge TTS] speed (例: +20%%, -10%%)")
 88    parser.add_argument("--edge_volume", type=str, default="+0%", help="[Edge TTS] volume (例: +10%%, -20%%)")
 89    parser.add_argument("--edge_pitch", type=str, default="+0Hz", help="[Edge TTS] pitch (例: +5Hz, -10Hz)")
 90    # Qwen3-TTS
 91    parser.add_argument("--qwen3_language", type=str, default="Japanese", help="[Qwen3-TTS] language")
 92    parser.add_argument("--qwen3_model_id", type=str, default="Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice", help="[Qwen3-TTS] model ID")
 93    parser.add_argument("--qwen3_device", type=str, default="auto", help="[Qwen3-TTS] auto/cuda:0/cpu")
 94    parser.add_argument("--qwen3_dtype", type=str, default="auto",
 95                        choices=["auto", "bfloat16", "bf16", "float16", "fp16", "float32", "fp32"],
 96                        help="[Qwen3-TTS] dtype")
 97    parser.add_argument("--qwen3_instruct", type=str, default="", help="[Qwen3-TTS] CustomVoice instruction")
 98    parser.add_argument("--qwen_api_server", type=str, default=os.environ.get("QWEN_TTS_API", ""),
 99                        help="[Qwen API] Flask API server root URL")
100    parser.add_argument("--qwen_api_timeout", type=float, default=1800,
101                        help="[Qwen API] HTTP timeout in seconds")
102
103    # Irodori-TTS
104    parser.add_argument("--irodori_caption", type=str,
105                        default="落ち着いた自然な声で、明瞭に読み上げる。",
106                        help="[Irodori-TTS] voice/style caption")
107    parser.add_argument("--irodori_ref_wav", type=str, default="", help="[Irodori-TTS] reference WAV")
108    parser.add_argument("--irodori_ref_wavs", type=str, default="", help="[Irodori-TTS] reference WAVs (;区切り)")
109    parser.add_argument("--irodori_model_id", type=str, default="Aratako/Irodori-TTS-v4.1-Small",
110                        help="[Irodori-TTS] model ID")
111    parser.add_argument("--irodori_device", type=str, default="auto", help="[Irodori-TTS] auto/cuda/cuda:0/cpu")
112    parser.add_argument("--irodori_precision", type=str, default="auto",
113                        choices=["auto", "bf16", "bfloat16", "fp32", "float32"],
114                        help="[Irodori-TTS] precision")
115    parser.add_argument("--irodori_codec_device", type=str, default=None, help="[Irodori-TTS] codec device")
116    parser.add_argument("--irodori_codec_precision", type=str, default=None, help="[Irodori-TTS] codec precision")
117    parser.add_argument("--irodori_num_steps", type=int, default=40, help="[Irodori-TTS] sampling steps")
118    parser.add_argument("--irodori_cfg_scale_text", type=float, default=3.5)
119    parser.add_argument("--irodori_cfg_scale_caption", type=float, default=3.0)
120    parser.add_argument("--irodori_cfg_scale_speaker", type=float, default=5.0)
121    parser.add_argument("--irodori_duration_scale", type=float, default=1.0)
122    parser.add_argument("--irodori_seed", type=str, default="0", help="[Irodori-TTS] seed; random/noneも可")
123    parser.add_argument("--irodori_lora_adapter", type=str, default="", help="[Irodori-TTS] LoRA adapter")
124
125    # Irodori-TTS Flask API(GPU非常駐サーバ)
126    parser.add_argument("--irodori_api_server", type=str,
127                        default=os.environ.get("IRODORI_TTS_API", "http://192.168.27.18:8002"),
128                        help="[Irodori API] server root URL")
129    parser.add_argument("--irodori_api_timeout", type=float, default=1800,
130                        help="[Irodori API] HTTP timeout in seconds")
131    parser.add_argument("--irodori_api_sway", action="store_true",
132                        help="[Irodori API] use sway sampling")
133    parser.add_argument("--irodori_api_sway_coeff", type=float, default=-1.0,
134                        help="[Irodori API] sway coefficient")
135
136    parser.add_argument("--pause", type=int, default=1, help="プログラム終了時にENTER入力を要求するか [0|1]")
137
138
139    args = parser.parse_args()
140
141    if args.tts.lower() in ("qwen_api", "qwen-api") and not args.qwen_api_server.strip():
142        parser.error(
143            "--tts qwen_api requires --qwen_api_server=http://<GPU-server>:<port> "
144            "(or the QWEN_TTS_API environment variable)."
145        )
146    if args.tts.lower() == "gemini" and not args.gemini_api_key:
147        parser.error(
148            "--tts gemini requires GEMINI_API_KEY (or --gemini_api_key)."
149        )
150
151    # 独話時の既定voice。tktts.update_voice_map()でvoice=Noneになるのを避ける。
152    if not args.voices:
153        if args.tts.lower() in ("qwen3", "qwen", "qwen_api", "qwen-api"):
154            args.voices = "Ono_Anna"
155        elif args.tts.lower() in ("irodori", "irodori-tts"):
156            args.voices = "default"
157        elif args.tts.lower() in ("qwen_api", "qwen-api"):
158            tktts.list_available_voices(args.tts, endpoint=args.qwen_api_server)
159        elif args.tts.lower() in ("irodori_api", "irodori-api"):
160            args.voices = "none"
161        elif args.tts.lower() == "gemini":
162            args.voices = "Kore"
163        elif args.tts.lower() in ("edge", "edge_tts", "edge-tts"):
164            args.voices = "Nanami"
165
166    # バックエンドでは空文字よりNoneが適切な項目
167    if args.qwen3_instruct == "":
168        args.qwen3_instruct = None
169    if args.irodori_ref_wav == "":
170        args.irodori_ref_wav = None
171    if args.irodori_ref_wavs == "":
172        args.irodori_ref_wavs = None
173    if args.irodori_lora_adapter == "":
174        args.irodori_lora_adapter = None
175
176    return args
177
178
179def extract_narration_text(notes_text):
180    """Return (text inside ((...)), True/False) を返す。
181
182    デリミタが同一行/複数行のどちらでも対応する。((...)) が見つからない場合は
183    (ノート全文, False) を返す。これは異常な状態だが、互換性のための緩和措置として
184    呼び出し側で「全文をそのまま読み上げる」フォールバックに用いる。
185    """
186    notes_text = notes_text.strip()
187    match = re.search(r"\(\(\s*(.*?)\s*\)\)", notes_text, re.DOTALL)
188    if match:
189        return match.group(1).strip(), True
190    return notes_text, False
191
192
193def parse_dialogue_lines(narration_text):
194    """カンマのない継続行は直前の話者の発言に連結する。"""
195    dialogue = []
196    for line_no, line in enumerate(narration_text.splitlines(), 1):
197        line = line.strip()
198        if not line or line.startswith("#"):
199            continue
200        if "," in line:
201            speaker, text = (part.strip() for part in line.split(",", 1))
202            if speaker:
203                dialogue.append((speaker, text))
204                continue
205        if dialogue:
206            speaker, text = dialogue[-1]
207            dialogue[-1] = (speaker, text + "\n" + line)
208        else:
209            print(f"Warning: 対話の{line_no}行目に先行話者がありません。既定音声で読み上げます。")
210            dialogue.append((None, line))
211    return [(speaker, text) for speaker, text in dialogue if text]
212
213def collect_speakers(dialogue_map):
214    """dialogue_map全体から、登場する話者名を初出順・重複無しで収集する。
215
216    話者名の同一判定は casefold() による大文字小文字の違いのみ吸収する
217    (表記ゆれの吸収まではしない)。返り値は初出時点の表記のまま。
218    """
219    seen = {}
220    order = []
221    for idx in sorted(dialogue_map.keys()):
222        for speaker, _text in dialogue_map[idx]:
223            if not speaker:
224                continue
225            key = speaker.casefold()
226            if key not in seen:
227                seen[key] = speaker
228                order.append(key)
229    return [seen[key] for key in order]
230
231
232def build_dialogue_voice_map(tktts_obj, tts_engine, voices_override, speakers):
233    """対話モード用の voice_map を構築する。
234
235    話者名とVOICE_MAPSのキーとの照合は casefold() で行い、大文字小文字の違いを
236    許容する。--voices による明示指定(「話者名=ボイス」または検出順の位置指定
237    「ボイス1;ボイス2;...」)がある場合はそちらを優先する。
238    """
239    engine_voice_map = VOICE_MAPS.get(tts_engine, {})
240    casefold_lookup = {k.casefold(): v for k, v in engine_voice_map.items()}
241    default_voice = tktts_obj.get_default_voice(tts_engine)
242
243    explicit_map = {}
244    positional_values = []
245    if voices_override:
246        for item in voices_override.split(";"):
247            item = item.strip()
248            if not item:
249                continue
250            if "=" in item:
251                k, v = item.split("=", 1)
252                explicit_map[k.strip().casefold()] = v.strip()
253            else:
254                positional_values.append(item)
255
256    current_voice_map = {}
257    for idx, speaker in enumerate(speakers):
258        key = speaker.casefold()
259        if key in explicit_map:
260            voice = explicit_map[key]
261        elif idx < len(positional_values):
262            voice = positional_values[idx]
263        elif key in casefold_lookup:
264            voice = casefold_lookup[key]
265        else:
266            voice = default_voice
267        current_voice_map[speaker] = voice
268        current_voice_map[idx] = voice
269
270    fallback_voice = current_voice_map.get(0, default_voice)
271    current_voice_map[None] = fallback_voice
272    current_voice_map[""] = fallback_voice
273
274    return current_voice_map
275
276
277def get_notes_text(slide):
278    """ノート本文だけを取得する。"""
279    for shp in slide.NotesPage.Shapes:
280        if shp.Type == 14 and shp.PlaceholderFormat.Type == 2:
281            if shp.HasTextFrame and shp.TextFrame.HasText:
282                return shp.TextFrame.TextRange.Text.strip()
283    return ""
284
285
286def close_powerpoint(pres, ppt):
287    if pres is not None:
288        try:
289            pres.Close()
290        except Exception as e:
291            print(f"Warning: PowerPointのCloseに失敗: {e}")
292    if ppt is not None:
293        try:
294            ppt.Quit()
295        except Exception as e:
296            print(f"Warning: PowerPointのQuitに失敗: {e}")
297
298def link_audio_autoplay(source_pptx_path, audio_tasks, output_pptx):
299    """成功した音声をリンクし、失敗したスライドは警告して続ける。"""
300    print("\n--- PPTXに音声ファイルをリンク中 ---")
301    ppt = pres = None
302    linked = []
303    saved = False
304    try:
305        same_file = os.path.samefile(source_pptx_path, output_pptx) if os.path.exists(output_pptx) else False
306        if not same_file:
307            shutil.copyfile(source_pptx_path, output_pptx)
308        ppt = win32com.client.Dispatch("PowerPoint.Application")
309        pres = ppt.Presentations.Open(os.path.abspath(output_pptx))
310        for idx, wav_path in audio_tasks:
311            shape = None
312            try:
313                wav_path = os.path.abspath(wav_path)
314                if not os.path.isfile(wav_path) or os.path.getsize(wav_path) == 0:
315                    print(f"Warning: スライド {idx}: 音声が存在しないか空です: {wav_path}")
316                    continue
317                slide = pres.Slides(idx)
318                # 本プログラムの識別名を持つ音声だけを置き換える。
319                name = f"tktts_narration_slide_{idx}"
320                old_shapes = [shp for shp in slide.Shapes if shp.Name == name]
321                shape = slide.Shapes.AddMediaObject2(
322                    wav_path, LinkToFile=True, SaveWithDocument=False,
323                    Left=pres.PageSetup.SlideWidth - 50,
324                    Top=pres.PageSetup.SlideHeight - 50, Width=40, Height=40)
325                # 再生設定をMainSequenceに統一。先頭・直前と同時で表示時に再生。
326                slide.TimeLine.MainSequence.AddEffect(shape, 83, 0, 2, 1)
327                for old in old_shapes:
328                    old.Delete()
329                shape.Name = name
330                linked.append(idx)
331                print(f"  リンク追加: スライド {idx}: {wav_path}")
332            except Exception as e:
333                print(f"Warning: スライド {idx} の音声リンクに失敗: {e}")
334                if shape is not None:
335                    try:
336                        shape.Delete()
337                    except Exception as cleanup_error:
338                        print(f"Warning: 追加途中の音声の削除に失敗: {cleanup_error}")
339        pres.Save()
340        saved = True
341    except Exception as e:
342        print(f"Warning: PPTXのコピー・オープン・保存に失敗: {e}")
343    finally:
344        close_powerpoint(pres, ppt)
345    print(f"リンク結果: 成功 {len(linked)}/{len(audio_tasks)}件、保存 {'成功' if saved else '失敗'}")
346    return {"linked": linked, "saved": saved}
347
348def extract_dialogue_from_pptx(pptx_path, monologue):
349    """ノートを抽出する。各スライドの失敗は警告し、後続を処理する。"""
350    ppt = pres = None
351    dialogue_map = {}
352    canonical_speakers = {}
353    try:
354        ppt = win32com.client.Dispatch("PowerPoint.Application")
355        pres = ppt.Presentations.Open(os.path.abspath(pptx_path))
356        for idx in range(1, pres.Slides.Count + 1):
357            try:
358                notes = get_notes_text(pres.Slides(idx))
359                if not notes:
360                    continue
361
362                narration, found_delimiter = extract_narration_text(notes)
363                if not narration:
364                    continue
365                
366                # --- 追加: 行単位で発音できる文字がない行を除外する ---
367                valid_lines = []
368                for line in narration.splitlines():
369                    # 行内に英数字・日本語などの文字が含まれているか判定
370                    if any(c.isalnum() for c in line):
371                        valid_lines.append(line)
372                
373                # 有効な行だけを結合して再構築
374                narration = "\n".join(valid_lines).strip()
375                
376                # すべての行が除外されて空になった場合はスライド全体をスキップ
377                if not narration:
378                    print(f"  情報: スライド {idx} は発音できるテキストがないためスキップします。")
379                    continue
380                # --------------------------------------------------------
381                dialogue = None
382
383                if not monologue and found_delimiter:
384                    print(f"  対話解析: スライド {idx}")
385                    dialogue = parse_dialogue_lines(narration)
386                if not dialogue:
387                    dialogue = [(None, narration)]
388                normalized = []
389                for speaker, text in dialogue:
390                    if speaker is not None:
391                        speaker = canonical_speakers.setdefault(speaker.casefold(), speaker)
392                    normalized.append((speaker, text))
393                dialogue_map[idx] = normalized
394            except Exception as e:
395                print(f"Warning: スライド {idx} のノート抽出に失敗: {e}")
396    except Exception as e:
397        print(f"Warning: PowerPointからのノート抽出に失敗: {e}")
398    finally:
399        close_powerpoint(pres, ppt)
400    return dialogue_map
401
402def generate_audio_files_tktts(dialogue_map, voice_map, args, tktts):
403    """ tktts のインターフェースを使用して、dialogue_map から音声ファイルを生成する。 """
404
405    tts_engine = args.tts.lower()
406    output_dir = args.audio_dir
407    os.makedirs(output_dir, exist_ok=True)
408
409    replacements = {}
410
411    print(f"\n--- 🗣️ スライドごとに {tts_engine.upper()} で音声ファイルを生成中 ---")
412
413    ext = "wav"
414#    ext = "mp3"
415    sorted_slide_indices = sorted(dialogue_map.keys())
416    audio_tasks = []
417    total_t0 = time.perf_counter()
418    for slide_idx in sorted_slide_indices:
419        print()
420        print(f"スライド #{slide_idx} の音声ファイルを生成しています...")
421        slide_t0 = time.perf_counter()
422
423        # スライドごとの読み上げテキスト。独話なら [(None, text)]、
424        # 対話なら [(speaker1, text1), (speaker2, text2), ...]。
425        single_dialogue = dialogue_map[slide_idx]
426        slide_outfile = os.path.join(output_dir, f"slide{slide_idx}.{ext}")
427        
428        try:
429            args.outfile = slide_outfile
430            generated_file = tktts.speak_dialogue(
431                config = args, dialogue = single_dialogue, 
432                voice_map = voice_map, replacements = replacements,
433                output_format = ext,
434                )
435
436            if generated_file:
437                if os.path.isfile(generated_file) and os.path.getsize(generated_file) > 0:
438                     audio_tasks.append((slide_idx, os.path.abspath(generated_file)))
439                     print(f"  ✅ 生成完了: {os.path.basename(generated_file)} (スライド {slide_idx})")
440                else:
441                    # エラー処理
442                    print(f"  Warning: ファイルが見つかりません: スライド {slide_idx} での生成失敗")
443                    
444            else:
445                print(f"  Warning: 生成失敗: スライド {slide_idx}")
446                
447        except Exception as e:
448            print(f"  Warning: TTSモジュール呼び出しエラー: スライド {slide_idx} - {e}")
449            traceback.print_exc()
450        finally:
451            slide_elapsed = time.perf_counter() - slide_t0
452            print(f"  ⏱️ 変換時間: {slide_elapsed:.1f} 秒")
453
454    total_elapsed = time.perf_counter() - total_t0
455    print(f"\n⏱️ TTS総変換時間: {total_elapsed:.1f} 秒")
456
457    # 4. 一時ファイルのクリーンアップ (tktts 内部で削除されない場合を考慮)
458    if os.path.exists(args.temp_dir):
459        try:
460            shutil.rmtree(args.temp_dir)
461            print(f"\n🗑️ 一時ディレクトリ {args.temp_dir} を削除しました。")
462        except Exception as e:
463            print(f"Warning: 一時ディレクトリの削除に失敗: {e}")
464
465
466    print(f"音声生成結果: 成功 {len(audio_tasks)}/{len(dialogue_map)}件")
467    if len(audio_tasks) != len(dialogue_map):
468        print("Warning: 一部のスライドの音声生成に失敗しました。成功分の処理を続けます。")
469    return audio_tasks
470
471
472def main():
473    args = initialize()
474
475    # TTS固有設定はargsでtkTTSへ渡す。
476    if args.mode == 'list':
477        tktts = tkTTS(tts_name=args.tts, config=args)
478        if args.tts.lower() == "voicevox":
479            tktts.list_available_voices(args.tts, endpoint=args.endpoint)
480        elif args.tts.lower() in ("irodori_api", "irodori-api"):
481            tktts.list_available_voices(args.tts, endpoint=args.irodori_api_server)
482        else:
483            tktts.list_available_voices(args.tts)
484        terminate(args.pause)
485
486    source_pptx = args.input_path
487    output_pptx = args.output_path
488
489    if not all([source_pptx, output_pptx]):
490        print("\nエラー: convモードでは --input_path と --output_path が必要です。")
491        print(f"現在の設定: input={source_pptx}, output={output_pptx}")
492        terminate(args.pause)
493    if not os.path.isfile(source_pptx):
494        print(f"\nエラー: 入力PPTXファイルが見つかりません: {source_pptx}")
495        terminate(args.pause)
496
497    source_pptx = os.path.abspath(source_pptx)
498    output_pptx = os.path.abspath(output_pptx)
499    try:
500        os.makedirs(os.path.dirname(output_pptx), exist_ok=True)
501        os.makedirs(args.audio_dir, exist_ok=True)
502        if os.path.isdir(output_pptx):
503            raise ValueError("出力PPTXにフォルダーが指定されています")
504    except Exception as e:
505        print(f"Warning: 出力先を準備できません: {e}")
506        return
507    tktts = tkTTS(tts_name=args.tts, config=args)
508
509    print("--- 💻 PowerPointナレーション作成プログラム (CONVモード) 開始 ---")
510    print(f"  TTS engine  : {args.tts}")
511    print(f"  is monologue: {args.monologue}")
512    print(f"  入力PPTX    : {source_pptx}")
513    print(f"  出力PPTX    : {output_pptx}")
514    print(f"  音声フォルダ: {args.audio_dir}")
515
516    if args.tts.lower() in ("qwen3", "qwen"):
517        print(f"  Qwen model   : {args.qwen3_model_id}")
518        print(f"  Qwen device  : {args.qwen3_device}")
519        print(f"  Qwen dtype   : {args.qwen3_dtype}")
520        print(f"  Qwen language: {args.qwen3_language}")
521        print(f"  Qwen voice   : {args.voices}")
522
523    if args.tts.lower() in ("qwen_api", "qwen-api"):
524        print(f"  Qwen API server: {args.qwen_api_server}")
525        print(f"  Qwen API timeout: {args.qwen_api_timeout}")
526        print(f"  Qwen model      : {args.qwen3_model_id}")
527        print(f"  Qwen language   : {args.qwen3_language}")
528        print(f"  Qwen voice      : {args.voices}")
529
530    if args.tts.lower() in ("irodori", "irodori-tts"):
531        print(f"  Irodori model    : {args.irodori_model_id}")
532        print(f"  Irodori device   : {args.irodori_device}")
533        print(f"  Irodori precision: {args.irodori_precision}")
534        print(f"  Irodori steps    : {args.irodori_num_steps}")
535        print(f"  Irodori caption  : {args.irodori_caption}")
536        print(f"  Irodori ref WAV  : {args.irodori_ref_wav}")
537
538    if args.tts.lower() in ("irodori_api", "irodori-api"):
539        print(f"  Irodori API server  : {args.irodori_api_server}")
540        print(f"  Irodori API timeout : {args.irodori_api_timeout}")
541        print(f"  Irodori caption     : {args.irodori_caption}")
542        print(f"  Irodori steps       : {args.irodori_num_steps}")
543        print(f"  Irodori duration    : {args.irodori_duration_scale}")
544        print(f"  Irodori API voice   : {args.voices}")
545
546    if args.tts.lower() == "gemini":
547        print(f"  Gemini model  : {args.gemini_model}")
548        print(f"  Gemini voice  : {args.voices}")
549
550    if args.tts.lower() in ("edge", "edge_tts", "edge-tts"):
551        print(f"  Edge voice    : {args.voices}")
552        print(f"  Edge rate     : {args.edge_rate}")
553        print(f"  Edge volume   : {args.edge_volume}")
554        print(f"  Edge pitch    : {args.edge_pitch}")
555
556    print("-" * 50)
557
558    # 入力PPTXのノートを取得する(対話モードなら話者ごとに分割済み)。
559    print()
560    print("--- 📝 PPTXからノートを取得中 ---")
561    dialogue_map = extract_dialogue_from_pptx(source_pptx, monologue=bool(args.monologue))
562    if not dialogue_map:
563        print("  ⚠️ ノートが記載されたスライドが見つかりませんでした。")
564        terminate(args.pause)
565    print(f"  ✅ ノートを検出: {len(dialogue_map)} スライド")
566
567    # 対話モードでは、ノートから検出した話者(3名以上も可)を元にvoice_mapを構築する。
568    if args.monologue:
569        speakers = [None]
570        current_voice_map = tktts.update_voice_map(
571            voice_map=VOICE_MAPS,
572            voices=args.voices,
573            speakers=speakers,
574        )
575    else:
576        speakers = collect_speakers(dialogue_map)
577        if not speakers:
578            print("  ⚠️ 対話モード(--monologue 0)ですが、話者を検出できませんでした。")
579            print("     (( )) の中を「話者名,本文」の形式(1行1発言)で記述してください。")
580        current_voice_map = build_dialogue_voice_map(
581            tktts, args.tts.lower(), args.voices, speakers,
582        )
583
584    print("  Voice mapping:")
585    for speaker in speakers:
586        label = "独話" if speaker is None else speaker
587        print(f"    {label}: {current_voice_map.get(speaker)}")
588
589    # ノートのテキストから音声ファイルを生成する。
590    print()
591    print("音声ファイルを生成します:")
592    audio_tasks = generate_audio_files_tktts(dialogue_map, voice_map = current_voice_map,
593                    args = args, tktts = tktts)
594
595    # 音声ファイルをリンクして出力PPTXを保存する。
596    if audio_tasks:
597        print()
598        print(f"音声ファイルを[{source_pptx}]にリンクします:")
599        result = link_audio_autoplay(source_pptx, audio_tasks, output_pptx)
600        if not result["saved"] or len(result["linked"]) != len(audio_tasks):
601            print("Warning: PPTXへの音声リンクが完全には完了していません。上記の警告を確認してください。")
602    else:
603        print("\nWarning: 音声ファイルが生成されなかったため、リンク処理をスキップしました。")
604
605    print("--- 🎉 プログラム終了 ---")
606
607    terminate(args.pause)
608
609if __name__ == "__main__":
610    main()