🎉
使いたい英語アプリが無かったので作った - OpenAI TTS API, Gradio🚀

2025/03/29に公開
 はじめに：パーソナライズされた英語リスニング教材の必要性英語学習、特にリスニング力の向上において、自身の興味やレベルに合致した教材を見つけることは重要な要素です。しかし、市販の教材やオンラインサービスでは、特定のトピックや細かなレベル調整に対応しきれないケースが多くありました。
私自身、特定の専門分野に関する議論を、自身の英語レベルに適した難易度で聞きたいと考えていましたが、既存の教材ではなかなか見つけることができませんでした。
この課題を解決するため、「自分の興味・レベルに合わせて、リスニング教材を生成できるツール」の必要性を感じ、開発に至りました。本記事では、その開発経緯、技術的な実装について共有します。

 デモ動画
 課題設定：理想的な英語リスニング教材の要件開発にあたり、理想的なリスニング教材に必要な要件を以下のように定義しました。

トピックの自由度: ユーザーが任意のキーワードを指定し、それに基づいた内容が生成されること。

レベルの最適化: CEFR基準（A1〜C2）で難易度を指定でき、語彙や表現が調整されること。

自然な会話形式: 複数の話者による、リアルな対話形式（Podcast風）であること。
似たようなツールとして、GoogleのNotebookLMがあります。

ただ、こちらは英語力がある程度ある人向けで、出力される内容の難易度を調整するのが難しいと感じました。

英語力に自信のない自分にとっては、もう少しレベルに合わせたコンテンツがほしい、というのが正直なところでした。
そこで、「自分の興味のある話題を、自分のレベルに合わせた英語で、音声付きで学べたら便利だな」と思い、このツールを作りました。

 開発したもの：「CEFR English Podcast Generator」上記の課題を解決するために開発したのが、**「CEFR English Podcast Generator」**です。
これは、OpenAI API (GPT-4oによるテキスト生成、TTSによる音声合成) と Gradio (UIフレームワーク) を組み合わせたPythonアプリケーションです。
主な機能:
ユーザーが指定したトピック、CEFRレベル、単語数、追加情報に基づき、AIが英会話スクリプトを生成。
生成されたスクリプトを元に、MP3形式の音声ファイルを自動生成。
これにより、定義した要件を満たすパーソナライズされたリスニング教材のオンデマンド生成が可能になりました。

 実装の詳細アプリケーションのコア機能はPythonで実装し、主要な処理はOpenAI APIを利用しています。

言語: Python 3.x

AI API: OpenAI API
テキスト生成: gpt-4o (環境変数 TEXT_MODEL で指定)
音声合成: tts-1 (環境変数 AUDIO_MODEL で指定)


Web UI フレームワーク: Gradio

ライブラリ: python-dotenv, openai

 システム構成と処理フローざっくりいうと、「テキスト生成モデルでPodcastの台本を生成し、各センテンスごとに音声化し、それらを全て結合する」という処理をさせています。

念のため、全体の処理フロー図を載せておきます。

 1. 会話テキスト生成 (generate_dialogue)中核となるのが、GPTモデルに対するプロンプト設計です。意図した通りの対話形式、内容、難易度、長さを実現するために、詳細な指示を与えています。
# プロンプトの主要部分
prompt = f"""
You are tasked with generating an engaging, educational and fun podcast dialogue designed specifically for English language learners at CEFR level {cefr_level}.
The conversation should focus on the topic: '{topic}'. {additional_info_text}
Craft a natural, lively, and informative discussion between two speakers ({SPEAKER_1_NAME} and {SPEAKER_2_NAME})...
IMPORTANT: The dialogue MUST be EXACTLY {word_count} words in total length. This is a strict requirement.
...
Your dialogue must:
    - Be EXACTLY {word_count} words total. Count carefully.
    - Clearly alternate turns between {SPEAKER_1_NAME} and {SPEAKER_2_NAME}.
    - Avoid special characters or markdown formatting.
    - Define any specialized terms clearly and simply...
    - Include a few jokes and interesting facts.
    - Have a clear introduction, body with multiple discussion points, and conclusion.
Use the following format:
    {SPEAKER_1_NAME}: sentence
    {SPEAKER_2_NAME}: sentence
...
"""

# API呼び出し
response = client.chat.completions.create(
    model=TEXT_MODEL,
    messages=[{"role": "user", "content": prompt}],
    max_completion_tokens=max_tokens, # 単語数から推定
    temperature=0.7, # ある程度の多様性を許容
)
dialogue_content = response.choices[0].message.content

# コスト計算
calculate_text_cost(response, TEXT_MODEL)

 2. テキストから音声への変換 (text_to_audio, get_mp3)生成されたテキストは、改行で区切られた各発話ごとにTTS APIへ送信されます。
def text_to_audio(text, speaker_1_voice, speaker_2_voice, audio_model):
    # ... (一時ファイル、ログの準備) ...
    dialogue_lines = text.split('\n')
    with open(file_path, 'wb') as f:
        for line_idx, line in enumerate(dialogue_lines):
            # スピーカー判定と内容抽出
            if line.startswith(f"{SPEAKER_1_NAME}:"):
                voice = speaker_1_voice
                content = line.replace(f"{SPEAKER_1_NAME}:", "").strip()
            elif line.startswith(f"{SPEAKER_2_NAME}:"):
                voice = speaker_2_voice
                content = line.replace(f"{SPEAKER_2_NAME}:", "").strip()
            else:
                continue # スキップ

            if not content: continue # スキップ

            try:
                # ストリーミングAPIを利用
                with client.audio.speech.with_streaming_response.create(
                    model=audio_model, voice=voice, input=content,
                ) as response:
                    # 取得したオーディオチャンクをファイルに追記
                    for chunk in response.iter_bytes():
                        f.write(chunk)
                # TTSコスト計算
                calculate_tts_cost(content, audio_model)
            except Exception as e:
                # エラーログ記録 (リトライ処理も検討可能)
                log_error(f"TTS Error on line {line_idx+1}: {e}", content)
    return file_path

def get_mp3(text, voice, audio_model): # text_to_audioから呼び出される想定
    # (calculate_tts_cost, client.audio.speech... の実装)
    pass
実装のポイント:

発話単位での処理: テキスト全体を一度にTTSにかけるのではなく、各スピーカーの発話を個別に処理。これにより、異なるボイス（alloy, echo等）を割り当て可能に。

ストリーミング応答の利用: with_streaming_response を用いることで、APIからの音声データをチャンクで受け取り、メモリ消費を抑えつつファイルに書き込めます。長い会話でも効率的に処理可能です。

バイト列の結合: 各発話から得られたMP3データのバイト列を単純にファイルに追記していくことで、最終的な一つの音声ファイルを生成しています。

エラーハンドリングとログ: TTS APIはネットワークや入力内容によってエラーを返す可能性があるため、try-except による例外処理と、問題発生箇所を特定するためのログ出力が重要です。

 3. GradioによるシンプルなUI構築ユーザーインターフェースにはGradioを採用しました。Pythonコードのみで対話的なWeb UIを迅速に構築できる点がメリットです。
import gradio as gr

# ... (generate_audio_dialogue 関数の定義) ...

ui = gr.Interface(
    fn=generate_audio_dialogue,
    inputs=[
        gr.Textbox(label="トピック", placeholder="e.g., Indie Hacking"),
        gr.Textbox(label="追加情報（オプション）", lines=3),
        gr.Dropdown(choices=["A1", "A2", "B1", "B2", "C1", "C2"], label="CEFRレベル", value="B1"),
        gr.Slider(minimum=100, maximum=5000, value=300, step=50, label="単語数"),
    ],
    outputs=[
        gr.Textbox(label="トランスクリプト", lines=15), # linesで高さを指定
        gr.Audio(label="音声ファイル", type="filepath"),
        gr.Textbox(label="API利用料金"),
    ],
    title="CEFR English Podcast ジェネレーター",
    description="トピックとCEFRレベルに基づいて英語学習者向け会話音声教材を生成します。"
)

if __name__ == "__main__":
    ui.launch()
GradioのInterfaceクラスに必要な関数と入出力コンポーネントを指定するだけで、基本的なUIが完成します。

 導入と利用方法以下の手順でローカル環境で実行できます。
リポジトリのクローン:git clone https://github.com/rynskrmt/CEFR-English-Podcast-Generator.git
cd CEFR-English-Podcast-Generator
依存パッケージのインストール:pip install -r requirements.txt
環境変数の設定:

ルートディレクトリに.envファイルを作成し、OpenAI APIキーを記述します。必要に応じてモデル名なども変更可能です。OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
TEXT_MODEL=gpt-4o
AUDIO_MODEL=tts-1
SPEAKER_1_VOICE=alloy
SPEAKER_2_VOICE=echo
SPEAKER_1_NAME="Speaker 1"
SPEAKER_2_NAME="Speaker 2"
アプリケーションの起動:python app.py

ブラウザでアクセス:

ターミナルに表示されるローカルURL（例: http://127.0.0.1:7860）を開き、インターフェースから操作します。

 まとめ本記事では、パーソナライズされた英語リスニング教材を生成するツール「CEFR English Podcast Generator」の開発について紹介しました。OpenAI APIとGradioを活用することで、当初抱えていた「自分に合った教材が見つからない」という課題を効果的に解決できました。

今回はまず、手軽に扱えるOpenAIのTTSを使って音声を生成していますが、将来的には、Sesameの CSM のような、より自然でリアルな会話音声を取り入れた形にも発展させていきたいと考えています。

より実際の会話に近い発音や抑揚を取り入れることで、「生きた英語」に触れられる環境を好きなだけ浴びれる環境を作りたいです！

 ソースコード - GitHubソースコードはこちらで公開しています:

https://github.com/rynskrmt/CEFR-English-Podcast-Generator
フィードバックや改善提案など、お気軽にIssueやPull Requestをお寄せください。