audio-speak-voicebox

star 1

この KDE Plasma / PipeWire 環境で VOICEBOX（VOICEVOX）を使ってオーナーに音声で話しかける。VOICEVOX API(50021) でWAV合成し、repos/acaption の IPC 経由で音声+字幕を同期再生する。必要時のみ paplay 直再生へフォールバックする。

yuiseki By yuiseki schedule Updated 3/11/2026
play_arrow Run Skill in Manus View GitHub

name: audio-speak-voicebox description: "この KDE Plasma / PipeWire 環境で VOICEBOX（VOICEVOX）を使ってオーナーに音声で話しかける。VOICEVOX API(50021) でWAV合成し、repos/acaption の IPC 経由で音声+字幕を同期再生する。必要時のみ paplay 直再生へフォールバックする。"

audio-speak-voicebox Skill

このシステムで VOICEBOX（実体は VOICEVOX）を使い、オーナーに音声で話しかけるための専用スキルです。

目的は「合成に成功する」ではなく、オーナーに実際に聞こえる + 字幕が同期表示されることです。
この環境では、VOICEVOX API でWAVを作り、repos/acaption の IPC サーバーへ渡して再生するのを主経路とします。

前提

  • デスクトップ: KDE Plasma（X11）
  • 音声基盤: PipeWire（PulseAudio 互換）
  • VOICEVOX API: http://127.0.0.1:50021
  • 推奨再生経路: acaption IPC（主経路）
  • フォールバック再生コマンド: paplay
  • よく使うコマンド:
    • curl
    • jq
    • pactl
    • paplay（フォールバック）
    • tmux（オーバーレイ起動管理）
    • python3（URLエンコード補助）

この環境の実測値（重要）

  • VOICEVOX バージョン: 0.25.1（実測）
  • 字幕オーバーレイ IPC:
    • 127.0.0.1:47832（repos/acaption）
  • Default Sink（実測）:
    • alsa_output.pci-0000_04_00.1.hdmi-stereo（HDMI / テレビ）
  • 話者ID:
    • speaker=89（Voidoll）を既定運用
  • 既定の音量方針:
    • volumeScale=2.5

補足:

  • volumeScale=2.5 は聞こえやすいが、わずかにクリップ気味になることがある
  • 実測で clip_like_samples は少量（約 0.032%）
  • 「確実に聞こえる」優先なら 2.5 を使ってよい

重要ルール

  • VOICEBOX と言われても実処理は VOICEVOX API を使う
  • まず :50021 が生きているか確認する
  • まず acaption IPC を使う（字幕と音声の同期を確保）
  • paplay --device=<sink> はデバッグ/フォールバック経路
  • 合成成功と再生成功は別問題
    • WAV が生成できても sink が違うと聞こえない
  • 再生後は必ずオーナーに「聞こえたか」を確認する（手動検証）

典型ユースケース

  • VOICEBOXで私に話しかけて
  • VOICEVOXで「休憩しよう」と言って
  • 作業完了を音声で知らせて
  • ちょっと大きめの音量で喋って

基本ワークフロー（推奨）

  1. VOICEVOX API 生存確認
  2. Tauri 字幕オーバーレイ起動確認（IPC）
  3. 出力先（sink）確認（フォールバック/デバッグ用）
  4. 音声クエリ生成
  5. volumeScale=2.5 を適用
  6. WAV 合成
  7. IPC で text + wav_path をオーバーレイへ送信（同期再生）
  8. オーナーに聞こえたか確認

1) VOICEVOX API 生存確認

curl -fsS http://127.0.0.1:50021/version

失敗する場合:

  • VOICEVOX アプリが起動していない
  • ポート 50021 が開いていない

2) acaption 起動確認（IPC）

まず字幕オーバーレイが tmux 管理で起動していることを確認する。

yuiclaw voice-command operator status
yuiclaw voice-command operator start-overlay
yuiclaw voice-command operator logs-overlay

期待:

  • overlay: RUNNING (acaption-overlay)
  • overlay endpoint ready: 127.0.0.1:47832

3) 出力先（sink）確認（フォールバック/デバッグ用）

VacuumTube の音がテレビから出ているなら、同じ HDMI sink を使う。

pactl info | sed -n 's/^Default Sink: //p'
pactl list short sinks

この環境の基本:

  • alsa_output.pci-0000_04_00.1.hdmi-stereo を優先

4) オーナー向け発話（推奨テンプレート）

最小実用コマンド（volumeScale=2.5, acaption 経由）

set -euo pipefail

TEXT='承知しました、動作確認をしています。'
SPEAKER=89
VOLUME_SCALE=2.5
SINK=$(pactl info | sed -n 's/^Default Sink: //p')
OUT=/tmp/voicevox-owner-speak.wav
Q_RAW=/tmp/voicevox-owner-query-raw.json
Q=/tmp/voicevox-owner-query.json
TEXT_ENC=$(python3 -c 'import sys, urllib.parse; print(urllib.parse.quote(sys.argv[1]))' "$TEXT")

curl -fsS -X POST \
  "http://127.0.0.1:50021/audio_query?text=${TEXT_ENC}&speaker=${SPEAKER}" \
  -H 'accept: application/json' > "$Q_RAW"

jq --argjson volume "$VOLUME_SCALE" '.volumeScale = $volume' "$Q_RAW" > "$Q"

curl -fsS -X POST \
  "http://127.0.0.1:50021/synthesis?speaker=${SPEAKER}" \
  -H 'Content-Type: application/json' \
  --data-binary @"$Q" > "$OUT"

python3 - <<'PY' "$TEXT" "$OUT"
import json, socket, sys
text, wav = sys.argv[1], sys.argv[2]
payload = {"type":"speak","text": text, "wav_path": wav, "wait": True}
with socket.create_connection(("127.0.0.1", 47832), timeout=5) as s:
    s.sendall((json.dumps(payload, ensure_ascii=False) + "\n").encode("utf-8"))
    s.shutdown(socket.SHUT_WR)
    print(s.recv(4096).decode("utf-8").strip())
PY

補足:

  • SINK はこのテンプレートでは直接使わない（Tauri 側が再生）
  • paplay は IPC が死んでいるときのフォールバック

発話テンプレート例（敬語・短め）

  • ユイさま、こんにちは。
  • ユイさま、作業が終わりました。
  • ユイさま、5分ほど休憩しませんか。
  • ユイさま、確認をお願いします。

5) 話者IDの選び方

この環境の既定は speaker=89（Voidoll）。

必要なら一覧確認:

curl -fsS http://127.0.0.1:50021/speakers | jq '.[].name'

補足:

  • 話者名と style ID は環境差がある
  • 迷ったら「一覧確認 → 1つ選ぶ → 実再生で確認」

6) 音量ポリシー（この環境）

この環境ではシステム音量最大でも、VOICEVOX 音声が体感で小さく感じることがある。
そのため、このスキルでは既定を volumeScale=2.5 とする。

運用目安:

  • 1.0: 標準（小さく感じやすい）
  • 1.5: 改善するがまだ控えめな場合がある
  • 2.0〜2.3: バランス重視
  • 2.5: 聞こえやすさ優先（この環境の既定）

注意:

  • 2.5 では軽微なクリップが発生しうる
  • ノイズや歪みが気になる場合は 2.2 前後に下げる

ハマりポイント（実測ベース）

1. 「VOICEBOX」と言われたが API は VOICEVOX

  • ユーザー発話の VOICEBOX は VOICEVOX を意味していることがある
  • 実装上は http://127.0.0.1:50021 を使う

2. 合成は成功したのに聞こえない（フォールバック経路）

  • 原因の多くは再生先（sink）の不一致
  • paplay --device=<sink> で明示する
  • VacuumTube の音が出ている sink と揃える

3. システム音量最大なのに小さい

  • PipeWire の sink 音量・ストリーム音量以外に、合成音声のラウドネス差がある
  • 対策は volumeScale を上げる（この環境では 2.5）

4. notify-send / overlay 通知と混同する

  • 通知字幕（overlay notify）と VOICEVOX 発話（overlay speak）は別リクエスト
  • 音声発話は speak(text + wav_path) を使う

5. 日本語テキストで audio_query が失敗する

  • text= の URL エンコード漏れ
  • python3 -c 'urllib.parse.quote(...)' を使う

6. VOICEVOX 側は生きているが再生されない / 字幕しか出ない

  • acaption IPC が未起動（127.0.0.1:47832 に繋がらない）
  • acaption 側の音声出力初期化失敗（logs-overlay を確認）
  • フォールバック検証として paplay --device=<sink> "$OUT" で切り分け

デバッグ手順（聞こえないとき）

  1. curl -fsS http://127.0.0.1:50021/version で API 確認
  2. pactl info | sed -n 's/^Default Sink: //p' で sink 確認
  3. yuiclaw voice-command operator logs-overlay で IPC/再生ログ確認
  4. paplay --device=<sink> /usr/share/sounds/freedesktop/stereo/bell.oga で効果音確認
  5. それでも分からなければ 1kHz テストトーンで確認（audio-play スキル参照）
  6. VOICEVOX の volumeScale を 2.5 に上げて再試行

成功条件（報告時）

  • 話した文面
  • speaker ID
  • volumeScale（このスキルでは既定 2.5）
  • 再生先 sink
  • ユーザーの「聞こえた」確認

ローカル参照

  • 汎用音再生スキル: .codex/skills/audio-play/SKILL.md
  • VOICEVOX API: http://127.0.0.1:50021
  • caption overlay: repos/acaption
  • 音声待ち受け tmux 管理: yuiclaw voice-command operator
  • 典型 HDMI sink: alsa_output.pci-0000_04_00.1.hdmi-stereo
Install via CLI
npx skills add https://github.com/yuiseki/ai-secretary --skill audio-speak-voicebox
Repository Details
star Stars 1
call_split Forks 0
navigation Branch main
article Path SKILL.md
More from Creator
yuiseki
yuiseki Explore all skills →