"""
tktts_voicevox.py - tktts用のVOICEVOXエンジン統合モジュール
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。
VOICEVOX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、
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。
関連リンク: :doc:`tktts_voicevox_usage`
"""
import os
import sys
import re
import requests
missing = []
for lib in ["requests"]:
try:
__import__(lib)
except ImportError:
missing.append(lib)
if missing:
print(f"Error: Missing libraries:\n{', '.join(missing)}")
print(" install: pip install requests")
input("\nPress ENTER to terminate>>\n")
sys.exit(1)
from tktts_base import apply_replacements, normalize_speaker, split_dialogue
# VOICEVOXエンジンの設定
TTS_ENGINE_NAME = 'voicevox'
DEFAULT_VOICEVOX_VOICE = "四国めたん"
DEFAULT_ENDPOINT = "http://127.0.0.1:50021" # エンジン起動時のデフォルトURL
[ドキュメント]
def get_available_voices_info(endpoint=DEFAULT_ENDPOINT):
"""
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。
詳細説明:
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。
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。
:param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
: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。
"""
response = requests.get(f"{endpoint}/speakers")
response.raise_for_status()
speakers = response.json()
speakers_dict = []
voices = []
for sp in speakers:
name = sp["name"]
for style in sp["styles"]:
# print(f"{name} - {style['name']} (id={style['id']})")
# speakers_dict.append(sp)
voices.append({"name": name, "style": style['name'], "id": style['id']})
return voices
[ドキュメント]
def get_available_voices(endpoint=DEFAULT_ENDPOINT):
"""
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。
詳細説明:
`get_available_voices_info` 関数を呼び出して詳細な話者情報を取得し、
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。
:param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
: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。
"""
voices = get_available_voices_info(endpoint)
if not voices: return False
voice_names = []
for v in voices:
voice_names.append(f"{v['name']}（{v['style']}）")
return voice_names
[ドキュメント]
def list_available_voices(endpoint=DEFAULT_ENDPOINT):
"""
利用可能なVOICEVOX話者の一覧をコンソールに表示します。
詳細説明:
`get_available_voices_info` 関数を使用して話者情報を取得し、
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。
:param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
: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。
"""
print(f"=== 利用可能な {TTS_ENGINE_NAME} voices ===")
voices = get_available_voices_info()
if not voices: return False
for v in voices:
print(f" Name: {v['name']}, Style: {v['style']}, ID: {v['id']}")
return True
[ドキュメント]
def resolve_speaker_id(speaker_name, endpoint=DEFAULT_ENDPOINT, speakers_dict = None):
"""
話者名からVOICEVOXのspeaker_idを解決します。
詳細説明:
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。
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、
`get_available_voices_info`を呼び出して話者情報を取得します。
:param speaker_name: str: 検索する話者の名前またはスタイルの一部。
:param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
: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。
: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。
:raises ValueError: 指定された話者が見つからない場合。
"""
if speakers_dict is None: speakers_dict = get_available_voices_info(endpoint)
speaker_name = normalize_speaker(speaker_name) #.lower())
# print(f" search for [{speaker_name}]")
# print(f" speakers_dict:", speakers_dict)
for voice in speakers_dict:
full_name = voice['name'].lower()
style = voice['style'].lower()
if speaker_name in full_name or speaker_name in style:
return speakers_dict, voice["id"]
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")
[ドキュメント]
def speak(outfile, text, voice, speak_rate = None, speak_pitch = None, endpoint = DEFAULT_ENDPOINT):
"""
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。
詳細説明:
まず`/audio_query`エンドポイントで音声合成クエリを作成し、
そのクエリに対して話速(`speedScale`)や音高(`pitchScale`)を適用します。
次に`/synthesis`エンドポイントで実際の音声データを生成し、
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。
:param outfile: str: 音声データが保存されるファイルパス。
:param text: str: 合成するテキスト。
:param voice: int: 使用するVOICEVOX話者のspeaker_id。
: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。
: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。
:param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
: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。
"""
query = requests.post(
f"{endpoint}/audio_query",
params={"text": text, "speaker": voice}
)
query.raise_for_status()
query_json = query.json()
if speak_rate is not None:
query_json["speedScale"] = speak_rate
if speak_pitch is not None:
query_json["pitchScale"] = speak_pitch
try:
synthesis = requests.post(
f"{endpoint}/synthesis",
params={"speaker": voice},
json=query_json
)
synthesis.raise_for_status()
except requests.exceptions.RequestException as e:
print(f"❌ VOICEVOX 接続エラー: {e}")
return None
with open(outfile, "wb") as f:
f.write(synthesis.content)
if os.path.exists(outfile):
print(f" ** 一時ファイル [{outfile}] を保存しました")
else:
print(f" ** Error: ファイル [{outfile}] の出力に失敗しました")
return None
return outfile
# target_voicesが文字列型の場合、speakerを強制的に置き換える
[ドキュメント]
def speak_dialogue(dialogue, replacements, target_voices, speakers = {}, temp_dir=".",
outfile=None, ext="wav", endpoint=DEFAULT_ENDPOINT,
cfg = None):
"""
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。
詳細説明:
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。
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。
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。
`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。
:param dialogue: list[str]: 会話テキストのリスト。
:param replacements: dict: テキスト置換ルールを定義する辞書。
: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。
:param speakers: dict: 話者ごとの追加設定を含む辞書。
:param temp_dir: str: 一時ファイルを保存するディレクトリパス。
: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。
:param ext: str: 生成される音声ファイルの拡張子（例: 'wav'）。
:param endpoint: str: VOICEVOXエンジンのAPIエンドポイントURL。
: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。
: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。
"""
is_save_mode = bool(outfile)
# print()
print("tktts_voicevox.speak_dialogue(): target_voices:", target_voices)
tmpfiles = []
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
idx = 1
for i, _dialogue in enumerate(dialogue):
print()
print(f"Dialogue {i:04d}:")
dialogue_list = split_dialogue(_dialogue, target_voices, speakers = speakers,
default_voice = DEFAULT_VOICEVOX_VOICE, is_monologue = cfg.monologue)
for speaker, text in dialogue_list:
tmpfile = os.path.join(temp_dir, f"tmp_{idx:03d}.{ext}")
text = apply_replacements(text, replacements)
if type(target_voices) is str: speaker = target_voices
try:
speakers_dict, target_voice = resolve_speaker_id(speaker, endpoint, speakers_dict = speakers_dict)
except ValueError as e:
print(e)
return False, tmpfiles
print(f" {idx:04d}: voice={speaker} (id={target_voice}): ", end = "")
print(text)
speedScale = cfg.fspeak_rate if hasattr(cfg, 'fspeak_rate') else None
pitchScale = cfg.fspeak_pitch if hasattr(cfg, 'fspeak_pitch') else None
_outfile = speak(outfile = tmpfile,text = text, voice = target_voice,
speak_rate = speedScale, speak_pitch = pitchScale,
endpoint = endpoint)
if _outfile is None:
return False, tmpfiles
tmpfiles.append(_outfile)
idx += 1
return True, tmpfiles