n8nで作る音声チャットフロー

n8nで作る音声チャットフロー（macOSローカル環境）

macOS上に構築した n8n を使って、

• 音声入力
• 音声認識（Speech-to-Text）
• LLMによる応答生成
• 音声合成（Text-to-Speech）
• Webhookでブラウザに返却

までを自動化する方法を紹介します。

🎯 ゴール

1. 音声をWebhookに送信するとテキストに変換される
2. LLMが会話履歴を考慮して自然な応答を生成する
3. 応答を音声に変換して返す
4. ブラウザ上でそのまま再生できる

🏗️ 全体構成

1. Webhook: 音声ファイルを受け取る
2. Speech-to-Text: 音声をテキストに変換
3. Memory Manager / Buffer Memory: 会話履歴を保持
4. LLM（Geminiなど）: 応答を生成
5. Text-to-Speech（ElevenLabs API、Fish Audio、MiniMax Audio）: 音声を合成
6. Respond to Webhook: 音声を返す

📝 手順

1. Webhookで音声を受け取る

• ノード: Webhook
• 設定:
  • Path: voice_message
  • HTTP Method: POST
  • Response Mode: Response Node

送信例（curl）:

curl -X POST http://localhost:5678/webhook-test/voice_message \
  -H "Content-Type: multipart/form-data" \
  -F "voice_message=@sample.m4a"

2.音声をテキスト化する

• ノード: OpenAI - Speech to Text
設定:
• Resource: audio
• Operation: transcribe
• Binary Property Name: voice_message

3. 会話履歴を管理する

• Get Chat: 過去の履歴を取得
• Aggregate: 履歴をまとめる
• Insert Chat: 新しい会話を保存
• Window Buffer Memory: セッション単位で履歴管理
これにより、LLMが過去のやり取りを踏まえて回答できます。

4. LLMで応答を生成

• ノード: Basic LLM Chain
• モデル例: Google Gemini Chat Model
設定:
• プロンプトに「過去の会話を考慮する」よう指示

5. 応答を音声に変換する

• ノード: HTTP Request
• サービス: ElevenLabs API
設定例:

POST https://api.elevenlabs.io/v1/text-to-speech/{voice_id}

Headers:
  Content-Type: application/json
  xi-api-key: YOUR_API_KEY
Body:
  {
    "text": "={{ $('Basic LLM Chain').item.json.text }}"
  }

6. Webhookで音声を返す

• ノード: Respond to Webhook
設定:
• Respond With: Binary
• Binary Property: data
• Response Content Type: audio/mpeg
• Response Headers: Content-Disposition: inline（任意）

これでWebhookをブラウザで開くと、そのまま音声が再生されます。

✅ まとめ

音声入力 → テキスト化 → 応答生成 → 音声合成 → 音声返却 をn8nだけで実現可能
ElevenLabs API、Fish Audio、MiniMax Audioなどを使えば高品質な音声を返せる
Webhookレスポンスを工夫することでブラウザで直接再生も可能

ローカルのn8n環境でも十分に「音声チャット体験」を構築できます。
自分の声で質問して、AIが自然に返答してくれる環境を作ってみてください 🚀

---