1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Claude Codeに自分の声で話させたら、返事の中身で言い分けるようになった

1
Posted at

はじめに

52歳です。いくつかの事業をやりながら、毎日Claude Codeを使っています。ホームページの修正やブログ、動画づくり、SNSの投稿、アプリづくりまで、ほとんど任せています。

困っていたのは、作業が終わったことに気づかないことでした。ピコーンと音は鳴っているのですが、何が終わったのかまでは分かりません。あとで画面を見て「これまだ終わってなかったのか」「頼んだのを忘れてた」ということが何度もありました。

ちょうどElevenLabsで自分の声をAIにしたところでした。録った声が思った以上に自然だったので「音を鳴らすなら自分の声で答えさせればいいじゃん」と思ったのがきっかけです。初めて聴いたときは「ああ、普通に自分の声だな」と思いました。

この記事では、Claude Codeが作業を終えたら自分の声で知らせる仕組みを作った手順をまとめます。場面で鳴らし分けるだけでなく、返事の中身を読んで「決めてほしいことがあります」「動画ができました 確認してください」と言い分けるところまで作りました。途中で何度もつまずいたので、それも全部書きます。

Claude Codeを毎日使っていて「終わったのに気づかない」という人に読んでほしい記事です。

できあがり

(52秒。最初にモデルの聞き比べ、そのあと無料の10本と、返事の中身で言い分ける例が流れます)

こういうとき 鳴る声(例)
返事を書き終えた 終わりました/できました/お待たせしました 終わりました
許可を待っている 確認をお願いします/許可をお願いします
入力を待ったまま時間がたった 次は何をしますか?
エラーで途中で止まった エラーで途中で止まってしまいました
返事の最後に私への質問がある 決めてほしいことがあります
頼んだものを作り終えた 動画ができました 確認してください
ネットで調べ終えた 調べ終わりました

声は作り置きのファイルから選ぶだけです。鳴らすたびにAPIを呼ばないので、使い続けても費用はかかりません。

用意するもの

  • Mac(音は標準の afplay で鳴らします)
  • Claude Code
  • ElevenLabsのアカウントとAPIキー
  • 使う声。自分の声のクローンでも、ボイスライブラリの好きな声でもかまいません

APIキーは権限を絞って作るのがおすすめです。ElevenLabsの「デベロッパー」→「APIキー」→「キーを作成」で、「キーを制限」をオン、「テキスト読み上げ」だけを「アクセス」にします。「使用制限(クレジット)」に上限を入れておくと、万一キーが漏れても被害が小さく済みます。私は2,000にしました。

コード一式はGitHubに置いています。
https://github.com/aivisionlab/claude-voice

例の声は、ElevenLabsのボイスライブラリで公開しています。
https://elevenlabs.io/app/voice-library?voiceId=xeuGp5e7xzV9lMbAK8Vd

1. 声をまとめて作る

セリフは場面ごとに一覧にしておきます(phrases.tsv)。中身はこんな形です。

場面(フォルダ名) セリフ
作業が終わった 終わりました。
作業が終わった お待たせしました。 終わりました。
確認待ち 確認をお願いします。
次の指示待ち 次は何をしますか?
エラーで止まった エラーで途中で止まってしまいました。
Claudeから 決めてほしいことがあります。
頼んだものができた 動画ができました。 確認してください。

実際のファイルは、場面とセリフをタブで区切って1行ずつ書きます。

これを1本ずつ音声にします。標準ライブラリだけで書いています。

make_sounds.py(抜粋)
VOICE_ID = os.getenv("VOICE_ID", "xeuGp5e7xzV9lMbAK8Vd")  # 例は私の声。自分の声のIDに変えてOK
MODEL_ID = "eleven_v4"

req = urllib.request.Request(
    f"https://api.elevenlabs.io/v1/text-to-speech/{VOICE_ID}?output_format=mp3_44100_128",
    data=json.dumps({"text": text, "model_id": MODEL_ID}).encode(),
    headers={"xi-api-key": key, "Content-Type": "application/json"})
with urllib.request.urlopen(req, context=CTX) as r:
    path.write_bytes(r.read())
export ELEVENLABS_API_KEY=(自分のキー)
python3 make_sounds.py

sounds/場面/番号_セリフ.mp3 の形で保存されます。ファイル名がセリフそのものなので、Finderで見ても何が入っているか分かります。私は最終的に130本ほど作りました。1本10文字前後なので、全部で1,500文字ほどです。

例の声のIDは私の声です。そのまま使うと私の声で作られます。自分の声やライブラリの別の声にしたい場合は VOICE_ID を変えてください。

モデルで聞こえ方がかなり違う

声を作った最初のころは eleven_multilingual_v2 で試していました。同じ「終わりました。 確認してください。」を eleven_v4 と並べて聞くと、差ははっきりしています。

  • v2:正直、何を言っているのか分かりませんでした。通知には使えません
  • v4:「終わりました。確認してください」とはっきり聞こえます

文字を読み上げているAIから、なめらかな日本語を話すAIに変わった、というのが一番近い感想です。日本語で使うなら、まずモデルを eleven_v4 にするのがおすすめです。

冒頭のサンプル動画の最初の10秒で、v2とv4を聞き比べられます。

読み間違いを防ぐ

  • 「10分前」は「じゅうぶん」と読まれることがあるので「じゅっぷん前です」とひらがなで渡しました。「5分」も「ごぶ」になりうるので「ごふん」にしています
  • 間(ま)は半角スペースで作れます。「お待たせしました。 終わりました。」のように入れると、ひと呼吸おいてくれます

2. 場面ごとに鳴らす

Claude CodeのHooksを使います。そのフォルダから1本をランダムに鳴らすだけのスクリプトです。

play.sh
#!/bin/zsh
files=("${0:A:h}/sounds/$1"/*.mp3(N))
(( ${#files} )) && afplay "${files[$(( RANDOM % ${#files} + 1 ))]}" >/dev/null 2>&1 &!
exit 0

&! で裏で鳴らしているので、Claude Codeの作業を止めません。

~/.claude/settings.json に場面を登録します。

~/.claude/settings.json
{
  "hooks": {
    "Stop": [
      { "hooks": [{ "type": "command", "command": "python3 ~/claude-voice/stop_voice.py" }] }
    ],
    "Notification": [
      { "matcher": "permission_prompt", "hooks": [{ "type": "command", "command": "~/claude-voice/play.sh 確認待ち" }] },
      { "matcher": "idle_prompt", "hooks": [{ "type": "command", "command": "~/claude-voice/play.sh 次の指示待ち" }] }
    ],
    "StopFailure": [
      { "hooks": [{ "type": "command", "command": "~/claude-voice/play.sh エラーで止まった" }] }
    ]
  }
}
  • Stop:返事を書き終えたとき(次の章で中身を読んで選びます)
  • Notification:permission_prompt が許可待ち、idle_prompt が入力待ちのまま時間がたったとき
  • StopFailure:APIのエラーで途中で止まったとき。最初に鳴らしてみた私の感想が「エラーで止まったのも欲しい」でした

3. 返事の中身で言い分ける

ここがこの記事の本題です。Stop のフックには、その会話の記録(transcript_path)が渡されます。そこから最後の指示より後のClaudeの文章・使った道具とその結果・人の指示を読み、声を選びます。

stop_voice.py(選ぶ部分)
def choose(text, tools, prompt):
    # 1) こちらに返事が要るもの:返事の最後だけ見る。「」()と表の行は説明なので見ない
    tail = re.sub(r"「[^」]*」|([^)]*)|`[^`]*`", "",
                  "\n".join(l for l in text.splitlines() if not l.lstrip().startswith("|")))[-300:]
    if "決めてほしい" in tail:
        return "Claudeから/決めてほしいことがあります"
    if "確認させてください" in tail:
        return "Claudeから/ひとつ確認させてください"

    # 2) 起きたこと:コマンドを書いたかではなく、成功の出力があったかで見る
    bash = [t for t in tools if t.get("name") == "Bash"]
    if any("git push" in t["input"].get("command", "") and re.search(r"^To \S+", t["result"], re.M) for t in bash):
        return "作業の報告/バックアップしました"

    # 3) 頼まれたもの:指示の言葉が1種類だけなら言い切る(手を動かした回だけ)
    worked = any(t.get("name") in ("Edit", "Write", "Bash") for t in tools)
    kinds = {"動画": "動画ができました確認してください", "資料": "資料ができました確認してください",
             "記事": "記事ができました確認してください", "画像": "画像ができました確認してください"}
    hits = [v for k, v in kinds.items() if k in prompt]
    if worked and len(hits) == 1:
        return "頼んだものができた/" + hits[0]

    # 4) 調べた回・編集した回
    if any(t.get("name") in ("WebSearch", "WebFetch") for t in tools):
        return "Claudeから/調べ終わりました"
    if any(t.get("name") in ("Edit", "Write") for t in tools):
        return "作業が終わった/作業が終わりました"
    return "作業が終わった/*"  # どれでもなければランダム

記録を読む部分は、会話の記録(JSONL)を後ろから読んでいき、人の発言に当たったら止めるだけです。全体はGitHubに置いています。

一見するとただの条件分岐です。ただ、この形に落ち着くまでに何度も外しました。次の章がその記録です。

4. つまずいたところ

① Pythonが証明書エラーで止まる

python.orgから入れたPythonでAPIを呼ぶと SSL: CERTIFICATE_VERIFY_FAILED で止まりました。このPythonはMacの証明書を見ないためです。certifi の証明書を使うようにして通しました。curlでは最初から通るので、気づくまで少し迷います。

② 書いただけのコマンドに反応した

最初は「git push という文字があればバックアップしました」と判定していました。すると、pushしていないのに「バックアップしました」と言いました。原因はClaude自身がこの判定を試すために書いたテストのコードです。その中に && git push という文字列が入っていました。

コマンドの文字ではなく、成功したときの出力で判断するように直しました。git push なら出力に To github.com:… が出たときだけ鳴らします。

③ 説明の中の「決めてほしい」に2回反応した

返事の中に「決めてほしい」があったら「決めてほしいことがあります」と言うようにしました。すると、質問していない回でも鳴りました。仕組みを説明する表の中に「決めてほしい」と書いていたからです。

返事の最後の300字だけを見るようにしました。それでもまた鳴りました。今度は最後の段落で「優先の順番は①問いかけ(決めてほしい・確認させて)…」と説明していたからです。

最終的にかぎかっこ・丸かっこの中と表の行は見ないことにしました。説明のために言葉を紹介している所を除くと、本当に問いかけている所だけが残ります。

④ システムの差し込み文を指示と取り違えた

「人の指示」を探すとき、Claude Codeが裏で差し込む文(<system-reminder>)まで指示として読んでいました。そこに入っていた言葉に反応して、何もしていないのに「ホームページを直しました」と言いました。差し込み文は飛ばすようにしました。

⑤ 全部のセッションで鳴る

~/.claude/settings.json に書いたので、このMacで開いている全部のセッションで鳴ります。別の作業の声が聞こえて「今の何?」となりました。鳴った声を時刻つきでファイルに残すようにしてからは、後から確かめられるようになりました。

学んだこと

AIは説明でもテストでも、同じ言葉を何度も書きます。 言葉を探して当てる方式は、そのたびに外れます。「何を書いたか」より「何が起きたか」を見るほうが外れません。

配っています

すぐ試せるように、通知でよく使う10本を無料で置いています。

https://github.com/aivisionlab/claude-voice
(緑の「Code」ボタン →「Download ZIP」で、10本の声とコードがまとめて手に入ります)

  • 終わりました/できました/完了しました/終わりました 確認してください
  • 次は何をしますか?/続けますか?
  • 確認をお願いします/許可をお願いします
  • エラーで途中で止まってしまいました
  • お疲れさまでした

ほかのセリフは phrases.tsv に一覧で入っています。自分のAPIキーで make_sounds.py を動かせば作れます。自分の言葉を足すのも1行です。

配っている声はAIで作った私の声です。PCの通知や自分の作業に使うのは自由です。ファイルをそのまま配ったり売ったりすること、私のふりをすること、AIの声だと隠して使うことはやめてください。

おわりに

実際に使ってみると「終わりました」と言ってくれるので、終わったことがすぐ分かります。「動画ができました」のように何が終わったかまで言ってくれるときは、どの画面を見に行けばいいかもすぐ分かります。

外れて「決めてほしいことがあります」と鳴ったときは、正直「何を決めるんだよ」と思いました。Claudeは分かって選んでいるのか、適当に鳴らしているのか。どこまで教えればいいのかを考えながら直していった、というのが本当のところです。

声を探すのは意外と大変です。ElevenLabsなら自分の声を作ってもいいですし、ライブラリにある誰かの声で話させてもかまいません。気軽に試してみてください。感想や「こんなセリフを足した」という話があれば、コメントで教えてもらえるとうれしいです。

続きの記事

同じ声で、プレゼンの冒頭の約4分を任せた話を書きました。

1
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?