stack-chan

TTS（音声合成）の自動生成用コマンドの説明

日本語

English

generate-speech-google （Google Test-to-Speech用）

• 利用準備
  まず Googleアカウント が必要です、無い場合は作成してください
  Google認証のスタートガイドを参照しプロジェクト、サービスアカウントを作成してキーをJSON形式で作成・取得します、また検索バーで「Cloud Text-to-Speech API」を検索して開き有効にします
  取得したキーファイルは stack-chan\firmware\scripts ディレクトリにコピーしてファイル名を key.json に変更します
  利用料は月当たり100万文字の読み上げまでは無料、それ以上利用すると100万文字を超えるたびに$16となりますが新規利用で無料クレジット$300分が付与される様です
  詳細はText-to-Speechのドキュメントを参照願います
• generate-speech-google の独自オプション
  • –voicename 読み上げ音声の指定
    デフォルトはja-JP-Wavenet-A（日本語）または en-US-Wavenet-F（英語）となります
    通常は日本語で読み上げた音声ファイルを生成しますが入力ファイル名の拡張子を除いたファイル名末尾が”_en” の場合 もしくは–langオプションでENを指定した場合には英語となります
    パラメータname及びlanguageCode（nameょり生成）に相当します
  • –sample サンプリングレート
    デフォルト 44100(44.1KHz) ただし pitch-shift.js によるピッチシフトを行う場合は最終的な出力ファイルのサンプリングレートは常に44.1Khzになります パラメータ sampleRateHertz に相当します
  • –speed 読み上げスピード
    デフォルト 0　パラメータspeakingRateに相当します
  • –pitch GoogleTTSによるピッチシフト
    デフォルト 0　パラメータpitchに相当します
    （読み上げ音声によってはかすれたり効果があまりない場合があります）
  • –lang デフォルト読み上げ音声のJAまたはENの切り替え
    通常入力ファイル名の拡張子を除いたファイル名末尾によりJAまたはENが識別されますが英語の入力ファイルを意図的に日本語で読み上げさせたい場合等に利用します
  • –shift pitch-shift.js によるピッチシフト
    0.5(1オクターブ下げる) ～ 2(1オクターブ上げる)　 1でノーマル(GoogleTTSの出力そのまま)となります
    省略時は入力ファイルの SynthProps.shift の値となりますがそちらも未定義の場合は1.5となります
    なおこちらのピッチシフトが有効の場合は出力ファイルのサンプリングレートはGoogleTTSの設定に関わらず常に44.1KHzとなります
• 共通オプション
  • –input 入力ファイル名
    省略時はカレントディレクトリに speeches.js がある場合はそちらになります
    無い場合は ./stackchan/assets/sounds/speeches_ja.js となります（～stack-chan/firmware ディレクトリでの実行を想定）
  • –output 出力ディレクトリ
    省略時は入力ファイルのあるディレクトリの配下に assets ディレクトリがある場合はそちらになります
    assets ディレクトリがない場合は入力ファイルと同じディレクトリになります
• 実行例
  ～/stack-chan/firmware$ npm run generate-speech-google -- --input=./mods/monologue/speeches_monologue.js --output=./mods/monologue/assets ※オプションを指定する場合はコマンドの後に上記のように ‘ – ‘ をつけてください

generate-speech-coqui （CoquiTTS用）

• 利用準備
  CoquiTTSをインストールしてTTS-Serverを起動する必要があります
  インストール方法 を参考にインストールを行います Pythonのモジュールになっているのでインストールは pip install TTS で行えますが Windowsではうまくインストールできない様ですので windowsで音声ファイルを生成する場合は他のLinux環境等で立ち上げたTTSーServerをネットワーク経由で利用して音声ファイルを作成することになります
  インストールが完了したら下記を実行してTTS-Serverを立ち上げます
  $ tts-server --port 8080 --model_name tts_models/ja/kokoro/tacotron2-DDC
• generate-speech-coqui の独自オプション
  • –host TTS-Serverの動いているホストのホスト名またはIPアドレス
    通常 stackchan/manifest_local.json から読み込みますがこちらを指定した場合はこちらが優先されます どちらかで指定が必要です
  • –port TTS-Serverのポート
    通常 stackchan/manifest_local.json から読み込みますがこちらを指定した場合はこちらが優先されます どちらかで指定が必要です
  • –shift pitch-shift.js によるピッチシフト
    0.5(1オクターブ下げる) ～ 2(1オクターブ上げる)　 1でノーマル(CoquiTTSの出力そのまま)となります
    省略時は入力ファイルの SynthProps.shift の値となりますがそちらも未定義の場合は1.5となります
    なおこちらのピッチシフトが有効の場合は出力ファイルのサンプリングレートは44.1KHzになります(CoquiTTS自体は22.05KHｚで出力)
• 共通オプション
  • –input 入力ファイル名
    省略時はカレントディレクトリに speeches.js がある場合はそちらになります
    無い場合は ./stackchan/assets/sounds/speeches_ja.js となります（～stack-chan/firmware ディレクトリでの実行を想定）
  • –output 出力ディレクトリ
    省略時は入力ファイルのあるディレクトリの配下に assets ディレクトリがある場合はそちらになります
    assets ディレクトリがない場合は入力ファイルと同じディレクトリになります
• 実行例
  ～/stack-chan/firmware$ npm run generate-speech-coqui -- --input=./mods/monologue/speeches_monologue.js --output=./mods/monologue/assets ※オプションを指定する場合はコマンドの後に上記のように ‘ – ‘ をつけてください

generate-speech-voicevox （VOICEVOX用）

• 利用準備
  VOICEVOXのWebサイトよりダウンロードしてインストールします （Windws/MAC/Linux版があります）
  インストールが完了したらVOICEVOXを起動した状態にします（同時に立ち上がっているエンジンを利用します、コマンドラインからエンジンのみ起動する方法もあるようです）
• generate-speech-voicevoxの独自オプション
  • –list キャラクタ一覧出力
    値なしの場合は全キャラクターの一覧を出して終了します
    SpeakerIdが指定された場合はそのIdの物のみ表示します
    –speaker オプションでキャラクタを指定する場合はここで表示される SpeakerId で指定します
  • –host VOICEVOXエンジンのホスト名またはIPアドレス
    省略時はVOICEVOXを普通に起動した場合の 127.0.0.1 となります
  • –port VOICEVOXエンジンのポート番号
    省略時はVOICEVOXを普通に起動した場合の 50021 となります
  • –speaker キャラクタの指定
    発声させたいキャラクタの SpeakerId を指定します
    省略時は SpeakerId:1 ずんだもん(あまあま) となります
  • –speed 話速
    話す速さを指定します 0.5 ～ 2　省略時のデフォルトは 1
  • –pitch 音高
    　音声の高さを上げ下げします -0.15 ～ 0.15　省略時のデフォルトは 0
  • –intonation 抑揚
    音声のイントネーションの強弱の指定です 0 ～ 2　省略時のデフォルトは 1
  • –sample サンプリングレート
    出力時の音声ファイルのサンプリングレートです 　省略時のデフォルトは 11025（11.025KHz）
• 共通オプション
  • –input 入力ファイル名
    省略時はカレントディレクトリに speeches.js がある場合はそちらになります
    無い場合は ./stackchan/assets/sounds/speeches_ja.js となります（～stack-chan/firmware ディレクトリでの実行を想定）
  • –output 出力ディレクトリ
    省略時は入力ファイルのあるディレクトリの配下に assets ディレクトリがある場合はそちらになります
    assets ディレクトリがない場合は入力ファイルと同じディレクトリになります
• 実行例 ～/stack-chan/firmware$ npm run generate-speech-voicevox – –input=./mods/monologue/speeches_monologue.js –output=./mods/monologue/assets ※オプションを指定する場合はコマンドの後に上記のように ‘ – ‘ をつけてください

ライセンスについて

VOICEVOX及び音声ライブラリ毎に利用規約がありますので確認して利用願います。

• VOICEVOX：利用の際はVOICEVOX を利用したことがわかるクレジット表記が必要です。
  たとえば「ずんだもん」の音声をアプリに埋め込んで配布をする場合、アプリの紹介画面に「VOICEVOX:ずんだもん」の記載が必要となります。（ずんだもん音源利用規約） 利用規約の詳細は使用する音声ライブラリによって異なりますのでVICEVOXのサイトのキャラクター一覧 より確認願います。

This site is open source. Improve this page.