テキストを生成し、その内容に基づいた音声(TTS)を作成する。通常、ここで行うのは「生成されたテキストのコピー」と「別のTTSツールへの貼り付け」だ。このコンテキストスイッチは一見小さなものだが、AIエージェントを用いた自動化ワークフローにおいては致命的な断絶となる。
Lovo AI (Genny) のMCPサーバーを使えば、ClaudeやCursorといったAIクライアント自体に「声」を操作する能力を持たせることができる。エージェントが書いた脚本に対し、そのまま音声ジョブを投入する。この一連のプロセスをIDEから離れずに完結させるのが本ツールの狙いだ。
エージェントに「感情の制御」を与える
多くの人はTTSを単なるテキストの読み上げとして捉えているが、実装者としてはもっと踏み込んだ使い方ができる。このMCPの真価は、エージェントによる文脈理解と create_tts_job のパラメータ制御を直結させる点にある。
具体的には以下のツールを利用する:
-
list_voices: 利用可能なAIスピーカーを探索する。言語や性別、スタイルでフィルタリングが可能だ。エージェントに「このプロジェクトに適した落ち着いた声を探して」と指示できる。 -
get_speaker: 特定のボイスIDに関する深いメタデータを取得する。適切なトーンを選択するための判断材料をエージェントに与えることができる。 -
create_tts_job: テキストを音声化する際、単にテキストを送るだけでなく、speed(速度)やstyle(cheerful, sad, professionalなどの感情スタイル)を指定できる。ここが最も重要だ。エージェントが悲劇的な脚本を書いたなら、自律的にstyle='sad'を選択してジョブを生成させる、といったワークフローが可能になる。 -
get_tts_io: 生成されたジョブのステータスを監視し、完了後に音声ファイルのURLを取得する。
実装とセットアップ
エンジニアが試す際の手順は極めてシンプルだ。Vinkius(https://vinkius.com/mcp/lovo-ai-genny-tts-voice-synthesis-api)からサーバーにアクセスし、接続トークンを取得してClaudeやCursorの設定に貼り付けるだけだ。Lovo GennyのAPIキーさえあれば、複雑なローカル環境の構築なしに即座に利用開始できる。
結論:マルチモーダル・エージェントへの道
このMCPを導入することで、AIエージェントは単なる「テキスト生成器」から、「音声資産を管理する司令塔」へと進化する。コンテンツクリエイターにとっては脚本作成とナレーション生成の統合であり、開発者にとってはアプリケーションへの高精度な音声合成機能の組み込みプロセスをIDE内で完結させる手段となる。
ドキュメントを読んでAPIを叩くだけなら誰でもできるが、エージェントの推論能力を使って「コンテンツの内容に最適なスタイルを選定させ、そのままジョブとして実行させる」というループを構築すること。これこそがMCPを活用した真のエージェント・オートメーションだ。
MCPはAIエージェントの音楽。カタログを構築しました。Vinkius MCPカタログを発見してください。