\nデモ \nとりあえず３名の声は使えるとわかったので、それら３役でかけあいができるような簡単なスクリプトを書きました。こちら に公開しています。
\n. / playbook- to- voices 台本. csv - p 台本preset. csv - o . / 音声. wavと実行すると、CSV で書いた台本が音声ファイル（.wav）として入手できます。
\n下準備 \nAPI を利用するためにやや学習コストが発生します。各要素軽くだけ触れておきます。
\n利用する API \nすでに名前が出てきていますが、利用する API は docomo Developer API の音声合成 API エーアイ REST SSML 版 です。
\ndocomo developer に登録して API キーを入手 \ndocomoAPI を使うためには API キーが必要です。
\nSSML とはなんぞや \nさらっと SSML 版と書きましたが、SSML とはSpeech Synthesis Markup Language の略です。
\n\n— Amazon Echo で「バルス」を実現する - Qiita
\n \n詳しくは API を叩くときに解説しますが、よみがな（ルビ）やイントネーションも操作できる パワフルな言語です。
\n台本を作る \nとはいえ、最近素の HTML で愚直なマークアップする機会もなかなか減っていると思います。XML ベースの言語って冗長で面倒くさいですし。CSV の「台本」を受け取って SSML に変換して音声化 してみます。
\n\n「１列目はボイス名、２列目は調声プリセット（デフォは空）、３列目は喋る内容」という構成にしました。
\nすでに嫌な予感 MAX な記述が出てきていますが、字幕と喋っている音声が違う 箇所と、「弦巻マキ」の発音がおかしくてイントネーションを弄った 結果です。
\nボイロ動画を作るなら、背景やら字幕タイミング、立ち絵プリセットだったり差分プリセットだったりと色々必要になってしまうと思うのですが、今回はシンプルに音声のみ に絞って実装します。
\nプリセットを作る \n調声がかなり難しかったので、デフォ値にこだわらずに調声のプリセットも与えられるようにして、利用者側で細かく調声できるようにします。
\n\nキャラ名、プリセット名、喋るスピード、ピッチ、抑揚、ボリューム の順です。
\nVOICEROID っぽい声を生成する \nでは早速 API を利用したいと思います。
\n台本を SSML に変換 \n先程の台本を今回利用する API に合わせた SSML に変換すると、このようになります。
\n<?xml version=\"1.0\" encoding=\"utf-8\" ?> \n< speakversion = \" 1.1\" > < voicename = \" sumire\" > < prosodyrate = \" 1.4\" pitch = \" 1.2\" > </ prosody> </ voice> < voicename = \" maki\" > < prosodyrate = \" 1.2\" > < phonemeph = \" ツル’／マ’キ\" > </ phoneme> </ prosody> </ voice> < voicename = \" reina\" > < prosodyrate = \" 1\" > </ prosody> </ voice> </ speak> 長いので省略しました。gist の方を見ていただければと思います。
\n\n\n\nタグ名 \n説明 \n \n \n\n\nspeak \nルート要素。version=\"1.1\"が必要 \n \n\nvoice \n声の種類を指定する。指定可能な値は後述 \n \n\nprosody \n日本語だと韻律 というそう。ピッチや抑揚、スピードを制御できるので調声するために必須 \n \n\nphoneme \n日本語だと音素 というそう。その言葉に対する発音の仕方を定義できます。イントネーションを変えたい場合に使用可能 \n \n \n
\nvoiceの name 属性に与えられる値のうち、ボイロ製品に該当するのは
\n\n\n\n属性名 \nボイロ名 \n \n \n\n\nsumire \n結月ゆかり \n \n\nmaki \n弦巻マキ \n \n\nanzu \n月詠アイ \n \n \n
\nです。
\n大まかな調声に使うprosodyに指定できる属性は、
\n\npitch（ピッチ）rate（喋る速度）range（抑揚）volume（音量） \nです。公式の API ドキュメント を読んで下さい。
\nphonemeの ph 属性にはJEITA カナ という仕様にもとづいた値が指定可能です。めちゃくちゃ難しい 。何が難しいかって、ドキュメントを読み解くのに一苦労で、なおかつ pdf に書かれている仕様が 100％はカバーされていないようで、何が使えて何が使えないのかがわからない。
\n音声合成 API を叩く \nSSML が作れたら、API を叩きます。\nAPI を叩くのは、よくある POST リクエストです。詳細は公式の API ドキュメント に記載があります。
\nconst querystring = require ( 'querystring' ) \nconst fetch = require ( 'isomorphic-fetch' ) \n\nconst textToSpeech = async ssml => { \n const ENDPOINT = 'https://api.apigw.smt.docomo.ne.jp/aiTalk/v1/textToSpeech' \n const query = querystring. stringify ( { \n APIKEY : process. env. DOCOMO_API_KEY , \n } ) \n\n return fetch ( ` ${ ENDPOINT } ? ${ query} ` , { \n method: 'POST' , \n body: ssml, \n headers: { \n 'Content-Type' : 'application/ssml+xml' , \n Accept: 'audio/L16' , \n } , \n } ) \n} Content-Type は SSML なので良いとして、Accept のaudio/L16ってなんでしょう。
\naudio/l16(PCM 音源)を wav 形式に変換する \naudio/l16（以降 PCM）というのは、16bit のリニア PCM と呼ばれる音声ファイルの形式です。
\npcm 単体では扱いにくいので、ffmpeg で.wav に変換してしまいましょう。公式の API ドキュメント に記載されているので、ちゃちゃっと変換してしまいます。
\nconst fs = require ( 'fs' ) \nconst Promise = require ( 'bluebird' ) \nconst ffmpeg = require ( 'fluent-ffmpeg' ) \n\nconst unlink = Promise. promisify ( fs. unlink) \n\nconst toWav = async pcmPath => { \n const destPath = pcmPath + '.wav' \n return new Promise ( ( resolve, reject ) => { \n ffmpeg ( ) \n . input ( pcmPath) \n . inputOptions ( [ '-ac 1' , '-ar 16000' ] ) \n . inputFormat ( 's16be' ) \n . output ( destPath) \n . on ( 'end' , ( ) => { \n console. log ( destPath) \n unlink ( pcmPath) . then ( resolve) \n } ) \n . on ( 'error' , reject) \n . run ( ) \n } ) \n} PCM ファイルについての説明や、変換処理については別途記事を書いてますので、そちらもあわせてご確認下さい。
\n\n— ffmpeg で PCM 音源を WAVE 形式に変換するときにハマったこと | WEB EGG
\n \nまとめ \n以上が主要な処理の内容になります。各処理の詳細はgist をご確認下さい。
\n以降の内容は、各ボイロごとの SSML のおさらいとハマリポイントを記載します。
\n結月ゆかりボイスを試してみる \n再掲ですが、ゆかりんのボイスを SSML に起こすとこのような感じになります。pitch）と喋る速度（rate）を少し上げるとちょうどよい感じになりました。
\n < voicename = \" sumire\" > < prosodyrate = \" 1.4\" pitch = \" 1.2\" > </ prosody> </ voice> 弦巻マキボイスを試してみる \n自分の名前の発音だけ曲者でしたが、それ以外は結構いい感じでした。
\n < voicename = \" maki\" > < prosodyrate = \" 1.4\" > < phonemeph = \" ツル’／マ’キ\" > </ phoneme> </ prosody> </ voice> 月読アイボイスを試してみる \nゆっくり霊夢（Softalk）は Web API がなかったので、代わりにアイちゃんに喋ってもらいました。
\n < voicename = \" reina\" > < prosodyrate = \" 1.4\" > </ prosody> </ voice> さいごに \nvoice , preset , text \n弦巻マキ , ｾﾔﾅｰ , グレートエレキファイア voice , name , rate , pitch , range , volume \n弦巻マキ , ｾﾔﾅｰ , 0.5 , 2.0 , 2.0 , ./playbook-to-voices グレートエレキファイア.csv -p グレートエレキファイア_preset.csv -o ./talk.wav\nｾﾔﾅｰしたかった
\nアイキャッチ画像に使用した立ち絵はこちらからお借りしました。
\n\n— 結月ゆかり 動画用素材 / 柚子胡椒 さんのイラスト - ニコニコ静画 (イラスト)
\n \n\n— 弦巻マキ 動画用素材 / 柚子胡椒 さんのイラスト - ニコニコ静画 (イラスト)
\n ","timeToRead":15,"frontmatter":{"title":"docomoの音声合成APIを利用して無料でVOICEROIDっぽい声を生成してみる","tags":["Nodejs","音声合成","ffmpeg"],"date":"August 08, 2017","featuredImage":{"childImageSharp":{"fluid":{"tracedSVG":"data:image/svg+xml,%3csvg%20xmlns='http://www.w3.org/2000/svg'%20width='400'%20height='148'%20viewBox='0%200%20400%20148'%20preserveAspectRatio='none'%3e%3cpath%20d='M28%202c-4%206-3%2013%202%2017l3%201-6%206c-9%208-12%2016-11%2031v20c2%2012-4%2027-12%2034-2%202-4%204-4%206s0%202%203%201l10-7%206-4c-2%205-9%2014-14%2017-5%204-6%206-3%205v1l-2%203h1c2-2%203-1%203%207l1%208%201-8c0-9%201-11%209-24%2010-14%2011-25%205-39-4-10-4-30%201-39%204-8%2011-15%2020-20%207-3%2012-4%205-1-13%207-18%2017-19%2035%200%208-1%2012-2%2015-3%205%203%2019%209%2021v4l-2%205%203-4%204-5c3%201%203%201-1-4-8-12-11-33-6-45%203-7%208-14%2012-14l4-2c6-5%2027-9%2037-6%209%203%2019%2014%2024%2027%204%209%203%2026%200%2047l-3%2016-1-7c-1-11-2-9-2%204v12l1%202c1%203%203%204%202%201l1-1c1%201%201%201%201-1v-1c2%200%202%200%201-3-2-6%201-32%203-26%202%204%203%204%205%204%204%200%205-2%203-4l-2-2-2-6c-3-5-3-6-2-12%201-22-9-42-27-51-8-4-9-4-19-5H58l2-4c0-2%202-4%203-5l1-2-3%202h-2V0l-2%204-1%204-5-4-6-4c-2%200-2%200-1%201h-1c-9-1-14-1-15%201m4%203c-1%203-1%205%201%2010l2%204%204-2%2010-4%205-2-3-2c-8-6-17-8-19-4m296%2011c-7%202-14%207-18%2011s-7%204-7%200l1-5c2-4%200-4-2%200-4%207-4%2010-2%2012s2%202%200%205l-3%203-1%203c-1%204-4%2018-6%2020-1%203%200%204%202%201l3-2-1%203-2%203c0%202%200%202%201%201%202-2%202-2%202%201%201%205-4%2011-7%208-2-1-4%200-3%201l-3%207c-1%204-2%205-3%204s-1-1-2%201c-1%204%200%204%202%202%201-2%202-2%202-1l1%201c1-1%203%204%203%205-1%202%200%207%203%209%202%202%201%2010-1%2011v1c2%200%201%204-1%207l-3%201-3-1c-3%200-3%201-3%205%200%201-1%203-3%203l-5%205-4%202-1-1-3%201c-1%200%200%203%203%204h3c0-2%2011-12%2012-12l4-3c3-3%204-3%204-1l3-12%202-10c0-1%200-2-2-2-6-1-2-8%206-10%209-3%2020%200%2017%204-1%201-1%201-3-1-5-3-17%200-18%205%200%202%200%202%203%200l3-1%203%203c5%205%206%2016%203%2027%200%202%200%202%201%201%202-3%202-24%201-29-1-4%201-4%206%200%205%206%204%2017-4%2031-5%208-4%209%201%201%203-5%204-6%204-4l-2%2012c-1%202%200%202%2011%202h13v-8c0-7-2-7-2%200%200%203%200%203-2%203l-2-1-2-3c0-3%200-3-1-1%200%205-7%204-7-1%200-2%203-7%205-8%203-2%204-2%204%200h1c3-3%207-2%206%202%200%202%200%202%202-2%203-6%203-8%202-8h-3c-1-1-1-1%202-2l3-1v-1l1-1%203-2c1-3%203-4%206-5%206-1%205-1%203%205-4%2011-2%2022%206%2031%203%203%203%203%2011%203s8%200%208-3c1-1%200-2-1-3v-15c-1-3-1-3%201-3s7%205%2015%2015l6%207v-26l-7-2c-8-2-16-6-18-10l-3-4-2-1%202-2%203-2%205%205c5%204%205%204%205%200%201-9%201-9%202-8h2l6%202%205%202v-2l-1-4-3-4c-1-2-1-2%201-2%205%202%203-1-2-3l-5-1%201%201%206%2012c-2%200-10-7-10-9%200-5-2%203-3%2010v7l-5-5c-6-6-7-10-2-14%202-3%203-5%200-3h-1l1-3h2l1%201-1-3v-3l1-2%201%202%202%203v-2c-2-2-3-8-2-18%201-13%200-17-7-22-3-3-5-4-5-3%201%202%200%203-1%204l-2%204-1%203c-5-2-7%205-3%209%202%203%208%204%208%202l1-1%201%204v5l1-4c1-2%202-3%204-3s2%200%202%206l-2%2013-1%208-1%201c-1%200-3%208-2%2012%200%204-2%205-7%202-3-1-3-2-1-3v-1c-2%201-2%201-2-5l1-6-2%206-1%207h-6c-5%200-5%200-4-2l2-4%201-2c0-1-2%200-3%202l-4%205-2%203c-1%201-1%201%201%201%2011-3%2021-1%2022%204v3l-2-3c-3-3-6-4-12-4-6%201-16%205-16%207l-1%201-1-1v-1h-1l-8-4-10-4c-4-3-5-3-5-2h-1c-4-2-14-1-20%202l-4%202-2-4c-4-4-2-8%207-13l5-5c0-1%201-1%202%201%201%201%201%201%200%200l-3-16c0-3%200-4-1-3-3%204%201-10%204-16%209-18%2034-32%2047-26%202%201%203%202%204%201%207-4%2029%2010%2035%2022%203%206%207%2015%207%2019l7%2023c2%203%201-2-1-9-2-8-2-8%200-8%203%201%203-1%200-4-2-2-6-8-6-11l2-1c2%200%204-2%204-4s-2-3-2%200c-2%203-5%201-9-5-7-13-22-23-35-24-16-2-18-2-24%200m-11%2022c-2%203-3%204-1%204l1%208-1%209c-2%200-1%2013%201%2014l1-6v-6l2%203%202%201h1l-1-4-1-10c1-8-1-6-2%202v6l-1-5c-1-5-1-10%201-16%202-4%201-5-2%200M85%2041c0%206-2%2015-5%2017l-1%203c0%201-4%206-5%205-2-1-1-3%201-6%203-4%206-11%206-14%200-2-1-1-1%202l-7%2012%201-7%201-9-1%205-2%207-1-7c-2-6-2-7-3-5s-1%202-2-1c-2-3-2-3-2-1l1%204c2%201%206%2010%206%2013l-1%204v2c2-1%202%200%202%203v4l5-6%207-11%201-5%201%204v7c0%202%200%203%201%202%201-2%202-1%202%204l1%204%202-10V51l2-5%202%206%202%2010c0%203%200%203%201%201%201-3%200-15-1-13%200%202-1%200-3-5l-3-7-1%207-1%2010c-2%203-2%203-3-6a2087%202087%200%2000-2-8m254%201l-1%206-1-3c-2-3-2-3-2%202l-2%2011-1%205%208-17v-3l2%204v19c2%200%202%201%202%204%201%206%203%205%203-3%201-6%200-9-2-7l-1-6-4-17-1%205M105%2057c-1%207-6%2019-7%2015%200-2%200-2-2%201-1%204-1%205%202%203%204-4%204%204%200%2011s-16%2013-29%2015c-7%201-9%200-9-4s0-4%204-4c5-1%205-4%200-3l-6-1c-1-1-1-1-1%201%202%205%202%2017%200%2021-2%206-2%208%200%203%202-2%202-2%202%200%200%203-2%207-3%207-2-1-2-1-2-9v-5l-1%205v5l-6-7-6-8%202-2%204-3c2%200%201-1-2-5l-4-4%201%206c0%205-2%2010-4%2010-4%200-15%2023-15%2031%200%206%202%2012%203%2012v-4c-2-3-2-10-1-15l2-3%201%203v6l1%205c1%202%201%202%201-1v-4l1%203v10h23v-3l1-2v5h29l29-1%201-5v-8c-1-5-1-5%206%201%205%205%205%206%205%209%201%205%202%205%202%201l-2-7-2-3%201-2%201%201c1%201%201%201%201-2s-1-4-3-3h-1l-1-1-1%203v2l-3-2c-4-3-4-4-1-4%204%200%2010-5%2010-8s-1-3-3-3c-3%200-3%200-3%204%200%203%200%203-3%203l-7-2c-1-2-2-2-2-1l5%204c5%202%204%203-3%201-4-1-6-2-7-5l-3-3-1-2h2l-1-3-2-1c-1%201-1%200-1-1l-2-9-2-6%202-2c5-3%207-9%207-16l2-10%202-10c0-9-1-8-1%200M19%2084c-1%208-4%2016-9%2023l-3%206%2012-11c4-5%204-6%204-11l-2-9-2-3v5m328%2020c-3%200-6%202-7%204-2%202-2%202-3%201-2-1-4-1-5%202s1%208%202%208c2%200%208-5%209-8%202-5%2015-8%2018-5%201%202%203%202%203-1s-10-4-17-1m-310%205c-3%201-6%206-6%2010v3l7-1%2010%201h3l-11-14-3%201m321%201l1%203v11c-1%201-1%200-1-4%200-8-1-9-3-3s-3%2011-1%209v3l3%2010c1%200%207-16%207-19%200-6-4-12-6-10m-297%208l-4%205-2%204h2c9-3%2017-2%2025%202%205%202%206%202%204%200l-11-6-10-5c-2-2-2-2-4%200'%20fill='%23d3d3d3'%20fill-rule='evenodd'/%3e%3c/svg%3e","aspectRatio":2.693548387096774,"src":"/static/8d1bf6999e928b13cbc6fdbe13b768c8/6a660/featured-image.png","srcSet":"/static/8d1bf6999e928b13cbc6fdbe13b768c8/1ec58/featured-image.png 334w,\n/static/8d1bf6999e928b13cbc6fdbe13b768c8/ccb4a/featured-image.png 668w,\n/static/8d1bf6999e928b13cbc6fdbe13b768c8/6a660/featured-image.png 851w","srcWebp":"/static/8d1bf6999e928b13cbc6fdbe13b768c8/4141f/featured-image.webp","srcSetWebp":"/static/8d1bf6999e928b13cbc6fdbe13b768c8/cd98f/featured-image.webp 334w,\n/static/8d1bf6999e928b13cbc6fdbe13b768c8/7535d/featured-image.webp 668w,\n/static/8d1bf6999e928b13cbc6fdbe13b768c8/4141f/featured-image.webp 851w","sizes":"(max-width: 851px) 100vw, 851px"}}}}}},"pageContext":{"slug":"/voiceloid-like-text2speech/","previous":{"fields":{"slug":"/how-to-convert-pcm-to-wav-with-ffmpeg/"},"frontmatter":{"title":"ffmpegでPCM音源をWAVE形式に変換するときにハマったこと","tags":["ffmpeg","Nodejs"]}},"next":{"fields":{"slug":"/report-builderscon-2017/"},"frontmatter":{"title":"Builderscon tokyo 2017に行ってきた","tags":["Builderscon","カンファレンス"]}}}},
"staticQueryHashes": ["2585454260","2954598359"]}