💬

テキスト読み上げソフトウェアのVOICEVOXをLinuxで使ってみて思ったこと

2021/08/18に公開

Linux

VOICEVOX

tech

RSSになんか面白そうなものが流れてきたので触ってみました

この記事執筆時点ではWindowsのみ対応みたいです

とりあえずzipファイル解凍して中のVOICEVOX.exeを実行すれば動くらしいのでwineで起動してみましたが起動しませんでした

中身を軽く見てみた所

https://github.com/Hiroshiba/voicevox

このelectron製のフロントエンドアプリがVOICEVOX.exeでこいつがバックグラウンドで

これを起動するみたい

これは音声合成エンジン部分で実態はHTTPサーバーなので、リクエストを送信すればテキスト音声合成がこれ単体で出来るそうです

GUIを持たないHTTPサーバならwineでの起動も敷居が低いのでdocker内で起動してみました

$ docker run -it --rm --name engine -v /home/dev/Downloads/VOICEVOX:/VOICEVOX  ubuntu:20.04 bash
# apt update && DEBIAN_FRONTEND=noninteractive apt install -y wine
# cd /VOICEVOX
# wine run.exe --host 00.0.0.0 --port 80
〜略〜
INFO:     Uvicorn running on http://0.0.0.0:80 (Press CTRL+C to quit)

Googleドライブからzip落として解凍したディレクトリをマウントしてます

i386のアーキテクチャ追加しろとかwineに言われますが動くので無視して良いです
この状態で

$ docker inspect -f "{{ .NetworkSettings.IPAddress }}" engine
172.17.0.4

で表示されるIPに対してブラウザからアクセスします

http://<コンテナのIP>/docs

Imgur

するとこんな画面が出れば動いてます

この画面でクエリ編集でjsonデータ作って音声合成のところのBODY部分にコピペしたら音声出せるのですが折角なのでgitに書いてあるcurlコマンドを参考にやってみたいと思います

まずは音声合成するための文章をURLエンコードします

$ text=$(echo これはテスト音声です | nkf -WwMQ | sed 's/=$//g' | tr = % | tr -d '\n')

エンコードしたものをサーバに投げつけて音声合成に使うためのJSONに変換してます

body="$(curl -X 'POST' -d '' -H 'accept: application/json' "http://172.17.0.4/audio_query?text=$text&speaker=1")"

取得したJSONをサーバに投げつけて音声合成の結果を再生します

$ play <(curl -s -X 'POST' 'http://172.17.0.4/synthesis?speaker=1' -H 'accept: audio/wav' -H 'Content-Type: application/json' -d "$body")
play WARN alsa: can't encode 0-bit Unknown or not applicable

/dev/fd/63:

 File Size: 0         Bit Rate: 0
  Encoding: Signed PCM    
  Channels: 1 @ 16-bit   
Samplerate: 24000Hz      
Replaygain: off         
  Duration: 00:00:02.09  

In:100%  00:00:02.09 [00:00:00.00] Out:50.2k [      |      ]        Clip:0    
Done.

普通に再生されました

面倒なので関数化

$ function vv {
text=$(echo "$1" | nkf -WwMQ | sed 's/=$//g' | tr = % | tr -d '\n')
body="$(curl -s -X 'POST' -d '' -H 'accept: application/json' "http://172.17.0.4/audio_query?text=$text&speaker=${2:-0}")"
play <(curl -s -X 'POST' "http://172.17.0.4/synthesis?speaker=${2:-0}" -H 'accept: audio/wav' -H 'Content-Type: application/json' -d "$body")
}

実行

$ vv 'オッス!!オラ悟空,いっちょやってみっか'
play WARN alsa: can't encode 0-bit Unknown or not applicable

/dev/fd/63:

 File Size: 0         Bit Rate: 0
  Encoding: Signed PCM    
  Channels: 1 @ 16-bit   
Samplerate: 24000Hz      
Replaygain: off         
  Duration: 00:00:04.17  

In:100%  00:00:04.17 [00:00:00.00] Out:100k  [      |      ]        Clip:0    
Done.

speakerのパラメータが1か0かで話者が変わるみたいだから第二引数に0,1指定出来るようにした
初期値0にしといたから違う話者にしたければ1を指定するだけでいいね

これならCLIオンリーのサーバでも喋らせられそう

とはいえイントネーションやら抑揚やら弄るのは厳しいからフロントエンドをnpmで起動してみる
.envにバックエンドの通信先書かれてるのでここをdockerで起動してるところに書き換えて起動

$ git clone https://github.com/Hiroshiba/voicevox
$ cd voicevox
$ sed -e 's/127.0.0.1:50021/172.17.0.4:80/g' .env.production > .env
$ npm ci
$ npm run electron:serve

ローカルのnpm古いってエラーになったので更新掛けた

Imgur

こんなエラーでますがフロントエンドからエンジン起動失敗したと勘違いされてるだけで実際にはdocker上で動いてるのでOK押せば

Imgur

普通に起動するよ

Imgur

ちゃんと喋ってくれる

というわけで一応Linux上でも動作を確認できました

それではよいLinuxライフをー

とっぴんぱらりのぷう

P.S.

触ってみて思ったけどやっぱりwineで起動するのがコア部分の音声合成エンジンなのがネックだよね

常時起動のサーバとかで警告とかをこれで読み上げたら色々気づきやすいかなとか思ったけどこれ動かすためだけにwine使うのは微妙だと思うからネイティブに各環境で動くようになると嬉しいな

あとフロントエンドがバックエンドを起動する仕組みだと依存しすぎてる気がする

もう一段上にフロントエンドとバックエンドをコントロールする仕組みを作って欲しいな
現行のはどっちも単独起動出来る作りにしといたほうが実行場所を別々のリソースにするのも簡単に出来て便利だと思う

とはいえ無償でこれだけのものを提供してくれるのだから凄いなぁ

P.S.

Discussion