はじめに

みなさまご存知の Text-to-Speech（TTS）ソフト VOICEVOX を使って、Ubuntu 24.04 on WSL2 で喋らせてみました。ホストの Windows 11 が Ubuntu 24.04 に PulseAudioサーバー を提供しているので、音声を合成したら、そちらへ流します。

コードの設計

VOICEVOXの使い方について、過去のブログ記事を漁ってみると、Linux 上で Docker で API サーバーを立てるとか、Windows にインストールして API でつなぐ方法を見つけました。ちょっと大変そうです。しかし、調べているうちに VOICEVOX Core には Python Binding もあることを発見。今回はこれを利用させてもらことにしました。

VOICEVOX Core レポジトリには、Pythonを使ったサンプルスクリプト talk.py があります。最初は、この talk.py をシェルスクリプトで包んで、一旦 wav データをファイルに書いてから、PulseAudio へ paplay で出そうと思ったのですが、サンプルなので Wav ファイルを出力して終わり。スピード調整などの機能も無さそう。

PulseAudio にも Python Binding あるようです。

ならばと VOICEVOX と PulseAudio を Python でガッチャンコくっつけて、生成した音声を直接流すスクリプトを書いてみることにしました。

そういう訳で、Claude Code にお願いして誕生 したのが、こちらになります。

→ voicevox_paplay スクリプト

使い方

スクリプトの説明のため、先に使い方から説明します。後述のインストールと環境確認が済んだら実行できます。

1. 話者スタイルの確認

まずは、利用可能な 話者・スタイル ID の確認です。

$ voicevox_paplay --list-speakers
0.vvm
├── 四国めたん
│   ├── あまあま  (style-id: 0) ◀
│   ├── ノーマル  (style-id: 2)
│   ├── セクシー  (style-id: 4)
│   └── ツンツン  (style-id: 6)
├── ずんだもん
│   ├── あまあま  (style-id: 1)
│   ├── ノーマル  (style-id: 3)
│   ├── セクシー  (style-id: 5)
│   └── ツンツン  (style-id: 7)
├── 春日部つむぎ
│   └── ノーマル  (style-id: 8)
└── 雨晴はう
    └── ノーマル  (style-id: 10)

右側の「◀」は --style-id オプションで指定する「現在選ばれている話者・スタイル」を示しています。今回のように明示的な指定がなったときは、一番小さい番号の style-id になります。

2. 喋らせてみる

スピーカーから音声を出します。

# テキストだけ指定（デフォルト話者）
$ voicevox_paplay "こんにちは"

# 標準入力から流す
$ echo "こんにちは" | voicevox_paplay

# 話者スタイルを指定
$ voicevox_paplay --style-id 3 "こんにちは、ずんだもんだよ！"

# 話者モデルファイルを指定（既定は 0.vvm）
$ voicevox_paplay --vvm 5.vvm --style 22 小声でずんだもんだよ

# スピードを 1.5 倍にする
$ voicevox_paplay --style-id 3 --speed 1.5 "早口で喋ります"

# WAV ファイルに保存（再生なし）
$ voicevox_paplay --style-id 3 --out output.wav "こんにちは"

3. verbose 出力

詳細なログを出力して、いま何が起こっているのか、動作を確認できます。

$ voicevox_paplay --verbose "テスト音声です"
[   0.001s] --- args ---
[   0.001s]   style-id       = -1
[   0.001s]   speed          = 1.0
[   0.001s]   pitch          = 0.0
[   0.001s]   intonation     = 1.0
[   0.001s]   volume         = 1.0
[   0.001s]   pre_silence    = None
[   0.001s]   post_silence   = None
[   0.001s]   device         = CPU
[   0.001s]   voicevox_dir   = /usr/lib/voicevox-core
[   0.001s]   onnxruntime    = /usr/lib/voicevox-core/onnxruntime/lib/libvoicevox_onnxruntime.so.1.17.3
[   0.001s]   dict_dir       = /usr/lib/voicevox-core/dict/open_jtalk_dic_utf_8-1.11
[   0.001s]   vvm_dir        = /usr/lib/voicevox-core/models/vvms
[   0.001s]   vmms           = ['0.vvm']
[   0.001s]   cache_dir      = None
[   0.001s]   outfile        = None
[   0.001s]   list_speakers  = False
[   0.001s] --- env ---
[   0.001s]   PULSE_SERVER   = unix:/mnt/wslg/PulseServer
[   0.001s]   PULSE_COOKIE   = (unset)
[   0.001s]   XDG_RUNTIME_DIR= /run/user/1000/
[   0.001s]   XDG_CACHE_HOME = (unset)
[   0.001s]   Python         = 3.12.3 (main, Mar  3 2026, 12:15:18) [GCC 13.3.0]
[   0.001s]   cpu_count      = 4
[   0.001s] Onnxruntime.load_once: /usr/lib/voicevox-core/onnxruntime/lib/libvoicevox_onnxruntime.so.1.17.3
[   0.010s]   supported_devices: cpu
[   0.010s] Synthesizer init: device=CPU, dict_dir=/usr/lib/voicevox-core/dict/open_jtalk_dic_utf_8-1.11, cpu_num_threads=4
[   0.010s]   is_gpu_mode=False
[   0.010s] VVM search: dir=/usr/lib/voicevox-core/models/vvms, patterns=['0.vvm'], found=1
[   0.010s]   scanning meta: 0.vvm
[   0.010s] 1 model(s) scanned
[   0.010s] style-id resolved to 0
  0.vvm: style-id: 0: 四国めたん (あまあま) ◀
  0.vvm: style-id: 2: 四国めたん (ノーマル)
  0.vvm: style-id: 4: 四国めたん (セクシー)
  0.vvm: style-id: 6: 四国めたん (ツンツン)
  0.vvm: style-id: 1: ずんだもん (あまあま)
  0.vvm: style-id: 3: ずんだもん (ノーマル)
  0.vvm: style-id: 5: ずんだもん (セクシー)
  0.vvm: style-id: 7: ずんだもん (ツンツン)
  0.vvm: style-id: 8: 春日部つむぎ (ノーマル)
  0.vvm: style-id: 10: 雨晴はう (ノーマル)
[   0.011s] target text:
  テスト音声です
[   0.011s]   lazy loading: 0.vvm
[   0.374s]   loaded: 0.vvm
[   0.374s] create_audio_query: style-id: 0 "四国めたん (あまあま)"
[   0.385s] synthesis: {'style_id': 0, 'speed': 1.0, 'pitch': 0.0, 'intonation': 1.0, 'volume': 1.0, 'pre_silence': None, 'post_silence': None}
[   0.757s]   synthesis done: 65,580 bytes
[   0.759s] PulseAudio playback: 1ch, 24000Hz, 16bit, 32768 frames (1.37s), pcm=65,536 bytes
[   0.759s]   timeout set: 11.4s
[   0.762s]   pa_simple_new done, writing
[   1.079s]   write done, draining
[   2.159s]   drain done
[   2.160s]   timeout cleared (remaining: 10.0s)

4. 音声キャッシュ

お喋りした音声の WAV データを、ファイルに自動保存し、再利用できます。話者やスピードなどが過去のお喋りと同一かをチェックし、同じであれば音声合成を省いて、保存した WAV データを直接再生します。

# 音声キャッシュを削除
$ rm ~/.cache/voicevox_paplay/ -rf

# 初回は、音声を再生後に保存
$ time voicevox_paplay --cache 以前に話した内容を覚えるよ
real    0m3.573s
user    0m2.991s
sys     0m0.180s

# ２回目以降、保存したデータを再生
$ time voicevox_paplay --cache 以前に話した内容を覚えるよ
real    0m2.523s
user    0m0.055s
sys     0m0.013s

音声合成モデル（vvmファイル）のローディング時間と合成時間が無いので、発話までのレスポンスが改善します。

--cache の代わりに --cache-dir を使えば、保存場所を指定できます。

インストール方法

1. VOICEVOX Core のインストール

VOICEVOX Core のダウンローダーで、モデルデータ等を取得します。

curl -sSfL https://github.com/VOICEVOX/voicevox_core/releases/latest/download/download-linux-x64 -o download
chmod +x download
sudo ./download -o /usr/lib/voicevox-core --exclude c-api

インストール先のディレクトリは -o /usr/lib/voicevox-core で指定しています。変更した場合は voicevox_paplay 実行時にも --voicevox-dir でこの場所を教えてあげる必要があります。もしくは、voicevox_paplay スクリプト自体を直接書き換えましょう。

自分の Home Directory に入れる場合は、もちろん sudo 不要です。

GitHub の rate limit でエラーになったら、gh auth login で認証しておくと緩和されます。

2. Python Binding のインストール

VOICEVOX Core と PulseAudio の Python パッケージを入れます。バージョンは適宜変更してください。

pip install https://github.com/VOICEVOX/voicevox_core/releases/download/0.16.0/voicevox_core-0.16.0+cpu-cp310-abi3-linux_x86_64.whl
pip install pasimple

3. voicevox_paplay のダウンロード

ダウンロード後、PATH の通った場所に置くか、PATH を編集して通しましょう。

curl -o voicevox_paplay https://raw.githubusercontent.com/h2suzuki/terminal-configs/main/files/voicevox_paplay
chmod +x voicevox_paplay

4. 【環境チェック】 PulseAudio に出力できることを確認

念の為、PulseAudio のオーディオ出力が生きているか、事前に確認しておきます。ここが通らないと、voicevox_paplay 以前の問題ですので。

$ paplay /usr/share/sounds/alsa/Front_Center.wav

スピーカーから、英語で「フロント・センター」と流れたはず。

なお、paplay は PulseAudio に含まれるテスト用コマンドです。Alsa に含まれる aplay の PulseAudio 版といったところ。

5. voicevox_paplay で喋らせてみる

最後に VOICEVOX で音声合成し、PulseAudio に流してみます。

$ voicevox_paplay フロント・センター

スピーカーから、日本語で「フロント・センター」と流れたら、幸せ。

voicevox_paplay の docstring
インストール方法は、本スクリプト先頭の docstring にも記載してあります。

まとめ

WSL2 環境では PulseAudio → WSLg 経由で、Windows ホストに簡単に音声出力できます。
VOICEVOX Core の Python Binding を使えば、Docker や Windows アプリなしで、音声合成できます。
VOICEVOX と PulseAudio を直結するスクリプト voicevox_paplay を作りました。

おまけ

この Python スクリプトは、素の Claude Code に依頼して書きましたが、最初のプロンプトで要件を伝えたところ、すぐ 70点くらいのコードを生成してくれました。そこからは私のレビューと Claude による修正の反復作業が続くのですが、Opus 4.6 だからか、異常終了するようなバグは数件だけでした。毎月のように精度が上がっていき、すごいなと。

反復中のコード変更（10件のCommit）について、なぜ反復が必要だったかの原因分析も Claude Code にさせてみました。Claude と一緒に何ターンか推敲して、最終的に抽出された学びが、こちらです。

A. 仕様策定の不備 — ユーザーインターフェースの設計判断が欠落（4 件）
B. 局所的な正しさで完了する — 副次的影響・全体との整合を見ない（6 件） 
C. 体験の質の参照基準がない — 「動く」の先の「良い」を評価していない（横断的）

提案された対策がこちら。

## 対策

### A → 仕様先行

実装前に「ユーザーに見える面」の設計判断を明示的に行う。

- デフォルト値の設計思想（副作用を伴う機能は opt-in か opt-out か）
- 出力の仕様（順序、書式、表示幅の扱い）
- エラー表示の方針（何をどこまで見せるか）
- ログ・verbose に含める情報と含めない情報の境界                                                   

### B → 副次的影響の確認

実装手段を選ぶとき、「目的を達成するか」だけでなく「他に何が起きるか」を確認する。

- この関数/オプションは、目的以外に何を出力・変更するか
- この追加は、既存のコード・出力と重複や矛盾を生まないか
- この値は、本当にリテラルで書くべきか、別の場所から導出すべきか                                     

### C → 参照基準との比較

実装後、同じ領域で広く使われている良質なツールと体験を比較する。
「動く」は検証済みとして、その先の「良いか」を評価する基準を外部に求める。

## CLAUDE.md 向けルール

1. **仕様先行**: ユーザーに見える振る舞い（デフォルト値、出力形式、エラー表示、ログ内容）は実装前に決定する
2. **副次的影響の確認**: 実装手段を選ぶとき、目的の達成だけでなく「他に何が起きるか」を確認する
3. **参照基準との比較**: 実装後、同じ領域の良質なツールとユーザー体験を比較し、「動く」の先の「良い」を評価する

「動く」の先の「良い」を評価していない。とか、なかなか痺れる文言です（笑）
この辺りは Skills とかでカバーできるか色々と試してみようかと思います。

※ この記事も Claude in Chrome を利用して書いています。