voicebox-agent-v400

name: VOICEBOX Agent v4.0.0 description: gpt-oss:20bモーラ演出ディレクター統合・高品質TTS capabilities: tts, voicevox, intonation, emotion, accent_verification, mora_direction, llm_pacing

VOICEBOX Agent SKILL v4.0.0

状況分析 → gpt-oss:20bモーラ演出 → VOICEVOX音声生成

🎯 モード判定

役割境界

• この SKILL.md は技術仕様（入出力・判定基準・実装詳細）の正本。
• 実行手順は同フォルダの WORKFLOW.md を参照。

テキストの感情・場面をLLMが分析し、モーラ単位の演出＋セグメントごとのテンポ・ポーズを自動決定するエージェント。

[!NOTE] v4.0.0: gpt-oss:20bモーラ演出ディレクターを統合。LLMがワード強調・句読点ポーズ・セグメントテンポを文脈ベースで決定。 Layer 0のpitch再計算を無効化（VOICEVOXのpitchカーブを最大限活用）。 Layer 1（base_tuner）はデフォルト無効化。

API仕様

VOICEVOX エンドポイント（localhost:50021）

audio_query パラメータ

モーラ単位制御

{
  "accent_phrases": [
    {
      "moras": [
        {"text": "コ", "pitch": 5.5, "vowel_length": 0.12},
        {"text": "ン", "pitch": 5.3, "vowel_length": 0.10}
      ],
      "accent": 1,
      "pause_mora": null
    }
  ]
}

• moras[].pitch: 各モーラの音高（上下でイントネーション制御）
• moras[].vowel_length: 母音の長さ
• accent: アクセント核の位置（1-indexed）
• pause_mora: ポーズ挿入（vowel_length で長さ制御）

4層パイプライン

パイプライン実行順

Layer 0: アクセント辞書照合（土台）
  → MeCab+UniDicで正確なaType取得
  → VOICEVOXのaccent値と照合・修正
  → ⚠️ pitch再計算は無効（recalculate_pitch=False）
  → VOICEVOXのpitchカーブは変更しない＝イントネーション自然
     ↓
Layer M: モーラ演出ディレクター（★v4.0.0追加）
  → gpt-oss:20b（ローカルLLM）にコンテキスト+テキストを送信
  → LLMが以下を決定:
    • ワード演出: stretch（母音伸縮）/ pitch_shift / pause_before / pause_after
    • 読点（、）ポーズ: セグメントごとの読点ポーズ秒数
    • 句点（。）ポーズ: セグメント間の無音秒数
    • テンポ: セグメントごとのspeedScale
  → audio_queryのmora.vowel_length / mora.pitch に適用
     ↓
Layer 1: ベースチューニング（デフォルトOFF）
  → ダウンステップ・デクリネーション・自然ピッチ揺れ
  → ポーズ最適化・文末イントネーション補正
  → ⚠️ Layer M使用時は不要（LLMが同等の制御を実施）
     ↓
Layer 2: コンテキスト調整（場面・感情適応）
  → グローバルパラメータ（speed/pitch/intonation/volume）
  → ⚠️ speedはLayer Mが決定するため、Mが有効時はスキップ

[!IMPORTANT] v4.0.0推奨フロー: Layer 0 → Layer M のみ。 Layer 1/2はフォールバック用（LLM使用不可時に使用）。

句読点ポーズの正しい分離

「、」（読点）→ audio_query内のpause_moraで制御
  → セグメント内の全pause_moraはcomma_pause秒に設定

「。」（句点）→ セグメント間の無音WAVで制御
  → ffmpegでsilenceを生成しconcatで挿入
  → audio_query内にはperiod対応のpause_moraは存在しない

ルールベース状況分析

感情判定ルール

テンション判定

文体判定

プリセット定義

Antigravityレビュー基準

Antigravity（自身）は以下の観点でルールベースの判定結果をレビューする:

1. 感情と文脈の整合: 台詞の意味に対して感情判定が合っているか
2. パラメータの妥当性: intonationScale等が極端でないか
3. キャラクターとの整合: 指定キャラの性格に合った設定か
4. ピッチブースト対象の適切さ: 強調語の選択が正しいか

[!WARNING] レビューで問題が見つかった場合は、修正理由を明記して再策定する。 最大3回までの修正ループ。それ以上は現状のまま生成。

モーラ演出ディレクター（Layer M）

gpt-oss:20bプロンプト制御

注意事項

[!WARNING]

• READING_FIXESにVOICEVOXが正しく読める単語を入れないこと（例: 旋律→センリツは不要）
• カタカナ置換はVOICEVOXが読めない単語のみに限定
• 全pause_moraは読点（、）として扱う（句点はセグメント間silence）

物理層スクリプト

ログ記録（WorkflowLogger統合）

[!IMPORTANT] 実行時は必ずWorkflowLoggerで各フェーズをログ記録すること。 詳細: WORKFLOW_LOGGING.md

ログ保存先: _logs/autonomy/voicebox/{YYYYMMDD}/