tktts_voicevox.py ダウンロード/コピー
tktts_voicevox.py
tktts_voicevox.py
1"""
2tktts_voicevox.py - tktts用のVOICEVOXエンジン統合モジュール
3
4このモジュールは、VOICEVOX REST APIを通じて音声合成を行う機能を提供します。
5VOICEVOXエンジンと連携し、利用可能な話者の取得、テキストの音声合成、
6およびダイアログ形式のテキスト処理に対応しています。
7
8関連リンク: :doc:`tktts_voicevox_usage`
9"""
10
11import os
12import sys
13import re
14import requests
15
16missing = []
17for lib in ["requests"]:
18 try:
19 __import__(lib)
20 except ImportError:
21 missing.append(lib)
22
23if missing:
24 print(f"Error: Missing libraries:\n{', '.join(missing)}")
25 print(" install: pip install requests")
26 input("\nPress ENTER to terminate>>\n")
27 sys.exit(1)
28
29from tktts_base import apply_replacements, normalize_speaker, split_dialogue
30
31
32# VOICEVOXエンジンの設定
33TTS_ENGINE_NAME = 'voicevox'
34DEFAULT_VOICEVOX_VOICE = "四国めたん"
35DEFAULT_ENDPOINT = "http://127.0.0.1:50021" # エンジン起動時のデフォルトURL
36
37
38def get_available_voices_info(endpoint=DEFAULT_ENDPOINT):
39 """
40 VOICEVOXエンジンから利用可能な話者情報(名前、スタイル、ID)のリストを取得します。
41
42 詳細説明:
43 VOICEVOXエンジンの `/speakers` エンドポイントにGETリクエストを送信し、その応答をJSON形式で解析します。
44 各話者のスタイル情報も抽出して、扱いやすい辞書のリストとして返します。
45
46 :param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
47 :returns: list[dict]: 話者情報を含む辞書のリスト。各辞書は'name', 'style', 'id'キーを持ちます。
48 """
49 response = requests.get(f"{endpoint}/speakers")
50 response.raise_for_status()
51 speakers = response.json()
52 speakers_dict = []
53
54 voices = []
55 for sp in speakers:
56 name = sp["name"]
57 for style in sp["styles"]:
58# print(f"{name} - {style['name']} (id={style['id']})")
59# speakers_dict.append(sp)
60 voices.append({"name": name, "style": style['name'], "id": style['id']})
61
62 return voices
63
64def get_available_voices(endpoint=DEFAULT_ENDPOINT):
65 """
66 利用可能なVOICEVOX話者のフルネーム(名前とスタイル)のリストを取得します。
67
68 詳細説明:
69 `get_available_voices_info` 関数を呼び出して詳細な話者情報を取得し、
70 それらを「話者名(スタイル名)」の形式の文字列リストに変換します。
71
72 :param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
73 :returns: list[str] or bool: 利用可能な話者名のリスト。話者が見つからない場合はFalse。
74 """
75 voices = get_available_voices_info(endpoint)
76 if not voices: return False
77
78 voice_names = []
79 for v in voices:
80 voice_names.append(f"{v['name']}({v['style']})")
81
82 return voice_names
83
84def list_available_voices(endpoint=DEFAULT_ENDPOINT):
85 """
86 利用可能なVOICEVOX話者の一覧をコンソールに表示します。
87
88 詳細説明:
89 `get_available_voices_info` 関数を使用して話者情報を取得し、
90 話者の名前、スタイル、IDを整形して標準出力に表示します。
91
92 :param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
93 :returns: bool: 話者の一覧表示が成功した場合はTrue、話者が見つからない場合はFalse。
94 """
95 print(f"=== 利用可能な {TTS_ENGINE_NAME} voices ===")
96 voices = get_available_voices_info()
97 if not voices: return False
98
99 for v in voices:
100 print(f" Name: {v['name']}, Style: {v['style']}, ID: {v['id']}")
101
102 return True
103
104def resolve_speaker_id(speaker_name, endpoint=DEFAULT_ENDPOINT, speakers_dict = None):
105 """
106 話者名からVOICEVOXのspeaker_idを解決します。
107
108 詳細説明:
109 渡された`speaker_name`(フルネームまたは部分文字列)に一致する最初の話者のspeaker_idを検索して返します。
110 大文字小文字を区別しない検索を行います。`speakers_dict`がNoneの場合、
111 `get_available_voices_info`を呼び出して話者情報を取得します。
112
113 :param speaker_name: str: 検索する話者の名前またはスタイルの一部。
114 :param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
115 :param speakers_dict: list[dict] or None: 事前に取得した話者情報の辞書リスト。Noneの場合、内部で取得します。
116 :returns: tuple[list[dict], int]: 更新された話者情報の辞書リストと、見つかったspeaker_id。
117 :raises ValueError: 指定された話者が見つからない場合。
118 """
119
120 if speakers_dict is None: speakers_dict = get_available_voices_info(endpoint)
121 speaker_name = normalize_speaker(speaker_name) #.lower())
122# print(f" search for [{speaker_name}]")
123# print(f" speakers_dict:", speakers_dict)
124 for voice in speakers_dict:
125 full_name = voice['name'].lower()
126 style = voice['style'].lower()
127 if speaker_name in full_name or speaker_name in style:
128 return speakers_dict, voice["id"]
129
130 raise ValueError(f"❌ Error in tktts_voicevox.resolve_speaker_id(): 話者 [{speaker_name}] が見つかりませんでした")
131
132def speak(outfile, text, voice, speak_rate = None, speak_pitch = None, endpoint = DEFAULT_ENDPOINT):
133 """
134 指定されたテキストをVOICEVOXエンジンで音声合成し、WAVファイルとして保存します。
135
136 詳細説明:
137 まず`/audio_query`エンドポイントで音声合成クエリを作成し、
138 そのクエリに対して話速(`speedScale`)や音高(`pitchScale`)を適用します。
139 次に`/synthesis`エンドポイントで実際の音声データを生成し、
140 指定されたファイルパスにバイナリ形式で書き込みます。
141
142 :param outfile: str: 音声データが保存されるファイルパス。
143 :param text: str: 合成するテキスト。
144 :param voice: int: 使用するVOICEVOX話者のspeaker_id。
145 :param speak_rate: float or None: 音声の再生速度スケール。Noneの場合はデフォルト値を使用。
146 :param speak_pitch: float or None: 音声のピッチスケール。Noneの場合はデフォルト値を使用。
147 :param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
148 :returns: str or None: 保存されたファイルパス。エラーが発生した場合はNone。
149 """
150 query = requests.post(
151 f"{endpoint}/audio_query",
152 params={"text": text, "speaker": voice}
153 )
154 query.raise_for_status()
155 query_json = query.json()
156
157 if speak_rate is not None:
158 query_json["speedScale"] = speak_rate
159 if speak_pitch is not None:
160 query_json["pitchScale"] = speak_pitch
161
162 try:
163 synthesis = requests.post(
164 f"{endpoint}/synthesis",
165 params={"speaker": voice},
166 json=query_json
167 )
168 synthesis.raise_for_status()
169 except requests.exceptions.RequestException as e:
170 print(f"❌ VOICEVOX 接続エラー: {e}")
171 return None
172
173 with open(outfile, "wb") as f:
174 f.write(synthesis.content)
175
176 if os.path.exists(outfile):
177 print(f" ** 一時ファイル [{outfile}] を保存しました")
178 else:
179 print(f" ** Error: ファイル [{outfile}] の出力に失敗しました")
180 return None
181
182 return outfile
183
184# target_voicesが文字列型の場合、speakerを強制的に置き換える
185def speak_dialogue(dialogue, replacements, target_voices, speakers = {}, temp_dir=".",
186 outfile=None, ext="wav", endpoint=DEFAULT_ENDPOINT,
187 cfg = None):
188 """
189 ダイアログリストの各セグメントをVOICEVOXで音声合成し、一時ファイルに保存します。
190
191 詳細説明:
192 入力された`dialogue`(通常は複数の会話セグメントのリスト)を`split_dialogue`関数で個々の発言に分割します。
193 各発言について、話者名からspeaker_idを解決し、`speak`関数を呼び出して音声合成を行います。
194 生成された一時ファイルのパスをリストとして返します。
195 `target_voices`が文字列の場合、全てのセグメントでその話者が強制的に使用されます。
196
197 :param dialogue: list[str]: 会話テキストのリスト。
198 :param replacements: dict: テキスト置換ルールを定義する辞書。
199 :param target_voices: str or list[str]: 使用する話者。文字列の場合、全てのセグメントでその話者が強制されます。リストの場合、`split_dialogue`が話者を決定します。
200 :param speakers: dict: 話者ごとの追加設定を含む辞書。
201 :param temp_dir: str: 一時ファイルを保存するディレクトリパス。
202 :param outfile: str or None: 最終的な出力ファイルパス(保存モードの場合)。Noneの場合、一時ファイルを生成します。
203 :param ext: str: 生成される音声ファイルの拡張子(例: 'wav')。
204 :param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
205 :param cfg: object or None: 設定オブジェクト。`fspeak_rate`や`fspeak_pitch`などの属性を持つ場合があります。
206 :returns: tuple[bool, list[str]]: 処理が成功したかを示す真偽値と、生成された一時ファイルのパスリスト。
207 """
208 is_save_mode = bool(outfile)
209
210# print()
211 print("tktts_voicevox.speak_dialogue(): target_voices:", target_voices)
212
213 tmpfiles = []
214 speakers_dict = None # 同じspekaerを何度も検索しなくて済むようにglobalな辞書を作る
215 idx = 1
216 for i, _dialogue in enumerate(dialogue):
217 print()
218 print(f"Dialogue {i:04d}:")
219 dialogue_list = split_dialogue(_dialogue, target_voices, speakers = speakers,
220 default_voice = DEFAULT_VOICEVOX_VOICE, is_monologue = cfg.monologue)
221 for speaker, text in dialogue_list:
222 tmpfile = os.path.join(temp_dir, f"tmp_{idx:03d}.{ext}")
223 text = apply_replacements(text, replacements)
224 if type(target_voices) is str: speaker = target_voices
225
226 try:
227 speakers_dict, target_voice = resolve_speaker_id(speaker, endpoint, speakers_dict = speakers_dict)
228 except ValueError as e:
229 print(e)
230 return False, tmpfiles
231
232 print(f" {idx:04d}: voice={speaker} (id={target_voice}): ", end = "")
233 print(text)
234
235 speedScale = cfg.fspeak_rate if hasattr(cfg, 'fspeak_rate') else None
236 pitchScale = cfg.fspeak_pitch if hasattr(cfg, 'fspeak_pitch') else None
237 _outfile = speak(outfile = tmpfile,text = text, voice = target_voice,
238 speak_rate = speedScale, speak_pitch = pitchScale,
239 endpoint = endpoint)
240
241 if _outfile is None:
242 return False, tmpfiles
243
244 tmpfiles.append(_outfile)
245 idx += 1
246
247 return True, tmpfiles