Node.js を使った「VOICEVOX での音声合成 ＋ FFmpeg による MP3変換」の処理【Node.js：2】

（この記事は Node.js の Advent Calendar 2025 の記事【2つ目】にする予定です）

はじめに

この記事は、以下の記事を書いた時にも扱った VOICEVOX の話です。

●ブラウザの JavaScript で VOICEVOX をシンプルに扱う（HTML ＋ JavaScript での簡単なお試し） - Qiita
　https://qiita.com/youtoy/items/9caab75e1ec0565cef60

上記の記事ではブラウザ上の処理で VOICEVOX を扱いましたが、今回は Node.js を使います。また、VOICEVOX の出力ファイルは WAV になりますが、それを FFmpeg を使って MP3 に変換します（変換処理は、Node.js の処理で行います）。

さっそく試す

音声合成と WAV での保存

まずは FFmpeg による変換を行わない、音声合成結果を WAV で保存する処理を試します。

用いるコード

用いるコードは、以下のとおりです、

import fs from "fs";

const BASE_URL = "http://127.0.0.1:50021";

async function synthesizeSpeech(text, speaker = 3, outputPath = "output.wav") {
  try {
    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(outputPath, Buffer.from(audioBuffer));

    console.log(`音声ファイルを保存しました: ${outputPath}`);
  } catch (error) {
    console.error("エラーが発生しました:", error.message);
  }
}

synthesizeSpeech("VOICEVOXでの音声合成です。");
// synthesizeSpeech("VOICEVOXでの音声合成です。", 1, "output01.wav");

基本的な処理の流れは、Node.js の標準機能の fetch() を使った 2段階の処理と、WAV の保存の処理です。「2段階の処理」というのは、VOICEVOX の「音声合成用のクエリの処理」と「音声合成の処理」です。

上記では、 synthesizeSpeech("VOICEVOXでの音声合成です。") という音声合成用のテキストを指定するだけの使い方もできます。また synthesizeSpeech("VOICEVOXでの音声合成です。", 1, "output01.wav") という使い方で「話者選択と出力ファイル名の指定」も行えます。

音声合成用のテキストのみ指定した場合は、話者は「ずんだもん（ID = 3）」とし、出力ファイル名は「output.wav」となるようにしています。

参照した情報

VOICEVOX を使った処理に関しては、以下のドキュメントなどを参照しました。

●voicevox_engine API Document
　https://voicevox.github.io/voicevox_engine/api/

●VOICEVOX/voicevox_engine: 無料で使える中品質なテキスト読み上げソフトウェア、VOICEVOXの音声合成エンジン
　https://github.com/VOICEVOX/voicevox_engine

音声合成と　MP3 への変換

以下で、Node.js の処理で FFmpeg を使った WAV ⇒ MP3 の変換も行っています。

import fs from "fs";
import { exec } from "child_process";
import { promisify } from "util";

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

async function synthesizeSpeech(
  text,
  speaker = 3,
  outputWavPath = "output.wav",
  outputMp3Path = null
) {
  try {
    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(outputWavPath, Buffer.from(audioBuffer));

    console.log(`WAVファイルを保存しました: ${outputWavPath}`);

    if (outputMp3Path) {
      console.log("mp3 に変換中");
      const cmd = `ffmpeg -y -i "${outputWavPath}" "${outputMp3Path}"`;
      await execAsync(cmd);
      console.log(`MP3ファイルを保存しました: ${outputMp3Path}`);
    }
  } catch (error) {
    console.error("エラーが発生しました:", error.message || error);
  }
}

synthesizeSpeech(
  "VOICEVOXでの音声合成です。",
  3,
  "output_01.wav",
  "output_01.mp3"
);

FFmpeg の実行は、Node.js標準機能の「Child process」を使っています。

FFmpeg を使ったコマンドは、以下のパラメータ指定を行わないシンプルな内容です。

ffmpeg -y -i 【入力ファイル（WAV）】 【出力ファイル（MP3）】

上記を実行することで、音声合成の結果を MP3 で保存できることが確認できました。