VOICEVOX と BOCCO emo の API（＋ FFmpeg）で音声合成・音声メッセージ送信【Node.js：3】

（この記事は Node.js の Advent Calendar 2025 の記事【3つ目】にする予定です）

はじめに

この記事は、Node.js で VOICEVOX と BOCCO emo の API を組み合わせて使ってみた話です（それと FFmpeg も組み合わせています）。

以下の動画のように「VOICEVOX で合成した音声で BOCCO emo がしゃべる」ということができます。

実際に試していく

はじめに、全体の処理の概要を書きます。

主な処理の流れは、
「VOICEVOX での音声合成」⇒「WAVファイルを MP3ファイルに変換（FFmpegを利用）」⇒「BOCCO emo の API で MP3ファイルの再生」
となります。

処理の流れに関する補足

少し、処理の流れについて補足します。

VOICEVOX での音声合成と FFmpeg を用いた変換

VOICEVOX で音声合成をすると、その結果は WAVファイルで得られます。そのデータは、直接 BOCCO emo の API では使えません。以下の BOCCO emo の API の公式ドキュメントに書かれているとおり、利用可能なフォーマットが MP3・M4A であるためです。

そのため、FFmpeg を Node.js の処理の中で呼び出して、WAVファイルを MP3ファイルに変換します。その部分の処理については、直近で書いた以下の記事のとおりです。

●Node.js を使った「VOICEVOX での音声合成 ＋ FFmpeg による MP3変換」の処理 - Qiita
　https://qiita.com/youtoy/items/3d4eef42ac48c16dc251

BOCCO emo の API を使った音声メッセージ送信

その後は、変換後の MP3ファイルを、BOCCO emo の API を使って BOCCO emo に送ります。前に、以下の記事に書いた「音声メッセージ送信」を使います。

●BOCCO emo の SDK（Node.js版）で API を使った「音声メッセージ送信」を試す - Qiita
　https://qiita.com/youtoy/items/77f2545cb6cb9c49b9a8

今回用いたコードなど

実際に試してみます。下準備として、以下のコマンドでパッケージを 1つインストールします。

npm install @ux-xu/emo-platform-api-nodejs

コードの内容

また、今回用いたコードは以下のとおりです。

上で過去に書いた 2つの記事を紹介しましたが、その内容を組み合わせたようなものになります。

import fs from "node:fs";
import { exec } from "node:child_process";
import { promisify } from "node:util";
import { EmoApiClient } from "@ux-xu/emo-platform-api-nodejs";

process.loadEnvFile("./development.env");

const BASE_URL = "http://127.0.0.1:50021";
const execAsync = promisify(exec);

async function synthesizeSpeechToMp3(
  text,
  { speaker = 3, wavPath = "output.wav", mp3Path = "output.mp3" } = {}
) {
  console.log("クエリを作成中");
  const queryResponse = await fetch(
    `${BASE_URL}/audio_query?text=${encodeURIComponent(
      text
    )}&speaker=${speaker}`,
    { method: "POST" }
  );

  if (!queryResponse.ok) {
    throw new Error(`クエリ作成失敗: ${queryResponse.status}`);
  }

  const audioQuery = await queryResponse.json();

  console.log("音声合成を実行中");
  const synthesisResponse = await fetch(
    `${BASE_URL}/synthesis?speaker=${speaker}`,
    {
      method: "POST",
      headers: { "Content-Type": "application/json" },
      body: JSON.stringify(audioQuery),
    }
  );

  if (!synthesisResponse.ok) {
    throw new Error(`音声合成失敗: ${synthesisResponse.status}`);
  }

  const audioBuffer = await synthesisResponse.arrayBuffer();
  fs.writeFileSync(wavPath, Buffer.from(audioBuffer));
  console.log(`WAV を保存しました: ${wavPath}`);

  console.log("mp3 に変換中");
  const cmd = `ffmpeg -y -i "${wavPath}" "${mp3Path}"`;
  await execAsync(cmd);
  console.log(`MP3 を保存しました: ${mp3Path}`);

  return mp3Path;
}

async function sendMp3ToBoccoEmo(mp3Path) {
  const ACCESS_TOKEN = process.env.EMO_ACCESS_TOKEN;
  const REFRESH_TOKEN = process.env.EMO_REFRESH_TOKEN;
  const ROOM_UUID = process.env.EMO_ROOM_UUID;

  if (!ACCESS_TOKEN || !REFRESH_TOKEN || !ROOM_UUID) {
    throw new Error(
      "EMO_ACCESS_TOKEN / EMO_REFRESH_TOKEN / EMO_ROOM_UUID が設定されていません"
    );
  }

  const api = new EmoApiClient({
    accessToken: ACCESS_TOKEN,
    refreshToken: REFRESH_TOKEN,
  });

  console.log(`Bocco emo に送信中: ${mp3Path}`);
  const audio = fs.readFileSync(mp3Path);
  const res = await api.postAudioMessage(ROOM_UUID, { audio });

  console.log("送信結果:", res);
}

async function main() {
  const text = "これはVOICEVOXで作った音声です。";
  const wavPath = "bocco_emo.wav";
  const mp3Path = "bocco_emo.mp3";

  const createdMp3Path = await synthesizeSpeechToMp3(text, {
    speaker: 3,
    wavPath,
    mp3Path,
  });

  await sendMp3ToBoccoEmo(createdMp3Path);
}

main().catch((err) => {
  console.error("エラーが発生しました:", err?.message || err);
  console.error("詳細:", err?.response?.status, err?.response?.data);
});

この処理を実行することで、冒頭の動画のような内容を実現できました。