[Python]VOICEVOXコアを用いた音声合成

Pythonでは、音声合成でテキスト情報を音声に変換する技術を利用できます。
Pythonの音声合成は、いくつかの方法がありますが、本記事ではVOICEVOXを利用して、音声合成を行います。

やすひら

VOICEVOXコアを用いた音声合成を紹介します

音声合成とは

音声合成は、コンピュータを使ってテキスト情報を人工的に音声に変換する技術です。
テキスト情報を人間の声に近い形で再生できるため、聴覚で情報処理する場合に活用しています。
初期の音声合成は、単純な機械音でしたが、現在ではAIを用いた高度な技術により、自然な音声で表現生成されるようになっています。

あわせて読みたい

[人工知能]音声合成の概要と活用方法

VOICEVOXとは

VOICEVOXは、無料で利用できる中品質なテキスト読み上げソフトウェアです。
日本語の音声を生成でき、音声の抑揚や感情を表現できる点について、品質が高いソフトウェアです。
Open JTalkは機械感のある音声を高速で生成できるのに対して、VOICEVOXは高品質な音声が生成可能ですが、処理速度はOpen JTalkより低速となっています。

VOICEVOXコアとは

VOICEVOXの音声合成処理のコア部分は、GitHubでオープンソースとして公開されており、誰でも無料で利用することができます。
Pythonでも利用することができるため、使いやすい音声合成ソフトウェアの1つです。

VOICEVOXコアの環境構築

VOICEVOXコアの環境構築手順を紹介します。

Pythonバインディングのインストール

PythonでVOICEVOXを利用できるように、Pythonバインディングをインストールします。

コマンドライン

wget https://github.com/VOICEVOX/voicevox_core/releases/download/0.15.4/voicevox_core-0.15.4+cpu-cp38-abi3-linux_x86_64.whl
pip install voicevox_core-0.15.4+cpu-cp38-abi3-linux_x86_64.whl

Pythonバインディングをインストールします。
VOICEVOXコアのバージョンは、インストールしたいバージョンを指定します。

筆者は、wgetでwheelファイルをダウンロードしてからpipでライブラリをインストールしました。
pipのインストールでGitHubのURL指定もできますが、筆者の環境では失敗しました。
1コマンドでライブラリがインストールできない場合は、2段階の手順でインストールすると良いです。

関連ソフトウェアのダウンロード

関連ソフトウェアをダンロードします。

コマンドライン

binary=download-linux-x64
curl -sSfL https://github.com/VOICEVOX/voicevox_core/releases/latest/download/${binary} -o download
chmod +x download
./download -o ./example/python
rm -r ./example/python/{model,VERSION,*voicevox_core*}

ONNX RuntimeとOpen JTalkの辞書ファイルをダウンロードできます。

あわせて読みたい

[Python]Open JTalkを用いた音声合成

VOICEVOXコアの使い方

VOICEVOXコアの使い方を紹介します。

VOICEVOXコアで音声合成

VOICEVOXコアで音声合成します。

ソースコード

from pathlib import Path
import voicevox_core
from voicevox_core import AccelerationMode, AudioQuery, VoicevoxCore

open_jtalk_dict_dir = './open_jtalk_dic_utf_8-1.11'
out = Path('output.wav')
acceleration_mode = AccelerationMode.AUTO

def voicevox_core_tts(text, speaker_id):
    core = VoicevoxCore(
        acceleration_mode=acceleration_mode, open_jtalk_dict_dir=open_jtalk_dict_dir
    )
    core.load_model(speaker_id)
    audio_query = core.audio_query(text, speaker_id)
    wav = core.synthesis(audio_query, speaker_id)
    out.write_bytes(wav)


if __name__ == "__main__":
    voicevox_core_tts("テスト", 2)

コマンド実行例

$ python3 -B python-voicevox-core.py
$ ls
output.wav  python-voicevox-core.py

VOICEVOXコアで、テキストを音声に変換できました。

VOICEVOXの声を指定

VOICEVOXは、スピーカーIDの指定で生成する声を指定することができます。
VOICEVOXでは、キャラクターにちなんだ声を生成することができます。
各キャラクターで用意された声のスタイルも指定でき、より感情が付与された音声を生成することができます。

スピーカーIDを指定すると、対応するキャラクターとスタイルを指定して音声を生成することができます。

キャラクターごとに利用規約があるので、注意して利用する必要があります。

まとめ

VOICEVOXコアを用いた音声合成の方法を紹介しました。

音声アシスタントや、音声変換(Text-To-Speech)の機能を作成したい場合は、音声合成の実装が不可欠です。
VOICEVOXでは、テキストファイルを音声ファイル化することができるため、テキスト情報をインプットに、コンピュータが発音するアプリケーションを作成することができます。