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()