🎙️ Whisper × LM Studio × 音声読み上げ × JSON履歴保存でローカル音声対話システムを構築する
はじめに
『まるでSFの世界』だと思っていたAIとの音声会話を、ご自宅のPCで実現しませんか？
面倒な設定や複雑なプログラミングは不要です。今回は、直感的なGUI操作だけでローカルLLM（大規模言語モデル）を動かせる**「LM Studio」**を活用し、テキスト入力ゼロで応答してくれるローカル音声対話システムを構築します。
このシステムがあれば、インターネット接続なしで、あなたの声だけでAIと自由に会話が楽しめます。
かつて憧れた、私だけの 『2001年宇宙の旅』のHAL 9000。本記事は、そのパーソナルAIアシスタント構築に向けた、記念すべきはじめの一歩となるでしょう。
目次
目的
１．使用技術・ツール
２．必要なライブラリのインストール
３．LM Studioの設定
４．音声入力
５．音声認識（Whisper）
６．LM Studioへの問い合わせ
７．音声読み上げ（pyttsx3）
８．履歴保存
９．統合スクリプト
１０．補足
まとめ
🎯 目的
Whisperで音声認識した内容をLM Studioに渡して応答を生成し、それを音声で読み上げ、履歴としてJSON形式で保存する一連の処理をPythonで統合。ローカル環境で完結するAI音声対話システムの構築を目指します。
🧩 １．使用技術・ツール
- 🐍 Python 3.10+
- 🗣️ OpenAI Whisper（音声認識）
- 🧠 LM Studio（ローカルLLM応答生成）
- 🔊 pyttsx3（音声読み上げ）
- 🎤 pyaudio（マイク入力）
- 🧰 ffmpeg（Whisper用）
🛠️ ２．必要なライブラリのインストール
pip install openai-whisper pyttsx3 requests pyaudio
Whisperの動作には ffmpeg が必要です。以下の手順で公式サイトからダウンロード＆インストールしてください：
🔗 ffmpegのインストール手順（公式サイト）
- https://ffmpeg.org/download.html にアクセス
- ダウンロードしたファイルを展開し、 実行ファイルのパスを環境変数に追加
🧠 ３．LM Studioの設定
- LM Studioを起動し、ローカルで動作するモデルを選択
- 「開発者」タブからAPIサーバーを有効化
- Reachable at:
http://127.0.0.1:1234
🎤 ４．音声入力（録音）
import pyaudio
import wave
CHUNK = 1024
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 16000
RECORD_SECONDS = 8
FILENAME = "recorded.wav"
def record_audio():
audio = pyaudio.PyAudio()
stream = audio.open(format=FORMAT, channels=CHANNELS,
rate=RATE, input=True,
frames_per_buffer=CHUNK)
print("🎙️ 録音開始…")
frames = []
for _ in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
data = stream.read(CHUNK)
frames.append(data)
print("🛑 録音終了。保存中…")
stream.stop_stream()
stream.close()
audio.terminate()
wf = wave.open(FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(audio.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()
📝 ５．音声認識（Whisper）
import whisper
def transcribe_audio():
model = whisper.load_model("base")
result = model.transcribe("recorded.wav", language="ja")
print("📝 認識結果:", result["text"])
return result["text"]
🤖 ６．LM Studioへの問い合わせ
import requests
def send_to_lmstudio(text):
url = "http://localhost:1234/v1/chat/completions"
headers = {"Content-Type": "application/json"}
payload = {
"model": "local-model",
"messages": [{"role": "user", "content": text}],
"temperature": 0.7
}
response = requests.post(url, headers=headers, json=payload)
reply = response.json()["choices"][0]["message"]["content"]
print("🤖 LM Studioの応答:", reply)
return reply
🔊 ７．音声読み上げ（pyttsx3）
import pyttsx3
def speak(text):
engine = pyttsx3.init()
voices = engine.getProperty('voices')
engine.setProperty('voice', voices[0].id)
engine.setProperty('rate', 150)
engine.setProperty('volume', 1.0)
engine.say(text)
engine.runAndWait()
🗂️ ８．履歴保存（JSON形式）
import json
import os
from datetime import datetime
def save_history_json(user_text, ai_reply):
timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
entry = {
"timestamp": timestamp,
"user": user_text,
"ai": ai_reply
}
filename = "chat_history.json"
if os.path.exists(filename):
with open(filename, "r", encoding="utf-8") as f:
data = json.load(f)
else:
data = []
data.append(entry)
with open(filename, "w", encoding="utf-8") as f:
json.dump(data, f, ensure_ascii=False, indent=2)
🔁 ９．統合スクリプト（連続対話モード）
def interactive_loop():
print("🌀 対話モード開始。Ctrl+Cで終了します。")
try:
while True:
record_audio()
user_text = transcribe_audio()
ai_reply = send_to_lmstudio(user_text)
speak(ai_reply)
save_history_json(user_text, ai_reply)
except KeyboardInterrupt:
print("\n👋 終了しました。")
def main():
interactive_loop()
if __name__ == "__main__":
main()
📦 １０．補足
- Whisper
"base"モデルは"tiny"より精度が高く、日常会話の認識に適しています。 - LM StudioのAPIは起動後に「API」タブから有効化してください。
- pyttsx3の音声はOS依存。日本語音声がない場合は、別途インストールが必要です。
🚀 まとめ
このスクリプトにより、音声入力 → 音声認識 → 応答生成 → 音声読み上げ → JSON履歴保存までを、すべてローカル環境で完結できます。Whisperの精度とLM Studioの柔軟性を活かし、プライバシーを守りながら高品質な音声対話が可能です。
さらに、連続対話モードにより、実用的な音声インターフェースとしての運用も視野に入ります。今後は以下のような拡張も検討しています：
- VOICEVOXやOpen JTalkによる自然な日本語音声合成
- GUI化（TkinterやPyQtなど）
- 履歴の可視化や検索機能の追加
- モデル切り替えによるキャラクター性の導入
ローカル完結型の音声AIシステムを自分の手で構築することで、技術的な理解も深まり、応用の幅も広がります。ぜひ、あなた自身のスタイルに合わせてカスタマイズしてみてください。