VOICEVOXセットアップ on Ubuntu
概要
AIずんだもんパイプラインのTTS（音声合成）コンポーネント。
VOICEVOXをDockerで動かし、HTTPのAPIを使って他コンポーネントから音声合成を呼び出す。
環境
- Docker: 29.4.0
- イメージ:
voicevox/voicevox_engine:cpu-ubuntu20.04-latest - APIポート:
50021 - 推論モード: CPU（ROCm環境との干渉を避けるため）
起動方法
初回セットアップ
docker pull voicevox/voicevox_engine:cpu-ubuntu20.04-latest
docker run -d \
--name voicevox_engine \
--restart unless-stopped \
-p 50021:50021 \
voicevox/voicevox_engine:cpu-ubuntu20.04-latest
起動確認
curl http://localhost:50021/version
停止 / 再起動
docker stop voicevox_engine
docker start voicevox_engine
ずんだもんのスピーカーID
| スタイル | ID |
|---|---|
| ノーマル | 3 |
| あまあま | 1 |
| ツンツン | 7 |
| セクシー | 5 |
| ささやき | 22 |
| ヒソヒソ | 38 |
| ヘロヘロ | 75 |
| なみだめ | 76 |
API使用方法
音声合成は2ステップ。
1. audio_query（音声合成用クエリ生成）
curl -X POST "http://localhost:50021/audio_query" \
--get \
--data-urlencode "text=こんにちは、ずんだもんなのだ！" \
--data-urlencode "speaker=3" \
-o query.json
2. synthesis（WAV生成）
curl -X POST "http://localhost:50021/synthesis?speaker=3" \
-H "Content-Type: application/json" \
-d @query.json \
-o output.wav
Pythonでの呼び出し例
import requests
def synthesize(text: str, speaker: int = 3, output_path: str = "output.wav"):
base_url = "http://localhost:50021"
query = requests.post(
f"{base_url}/audio_query",
params={"text": text, "speaker": speaker}
).json()
wav = requests.post(
f"{base_url}/synthesis",
params={"speaker": speaker},
json=query
)
with open(output_path, "wb") as f:
f.write(wav.content)
synthesize("こんにちは、ずんだもんなのだ！")
テストスクリプト
# デフォルト（ノーマル、日本語テスト文）
./test_voicevox.sh
# テキストとスピーカーを指定
./test_voicevox.sh "よろしくなのだ" 3 /tmp/test.wav
パイプライン内での位置づけ
マイク入力
↓
WhisperX (STT) - ~/AIzunda/whisperX-rocm
↓ テキスト
llama-server (LLM) - Qwen3.5-35B, localhost:8080
↓ 応答テキスト
VOICEVOX Engine (TTS) ← ここ - localhost:50021
↓ WAV音声
TalkingHead (VRM) - ブラウザ、リップシンク表示
出力仕様
- フォーマット: RIFF WAV
- サンプルレート: 24,000 Hz
- ビット深度: 16bit
- チャンネル: モノラル