AI の Bot 3つに声を付けた ― ずんだもん・四国めたん・春日部つむぎ(VOICEVOX)

はじめに

Discord に AI の Bot を3つ集めて、会議室を作りました(Discord に AI の Bot を3つ集めて、会議室を作ってみた)。役割を持たせると、会議らしくなりました(同じ AI の Bot 3つに役割を持たせたら、会議らしくなった)。

文字だけでは少しさみしいので、3つの Bot に、それぞれ別の声を付けました。声は、無料で使える音声合成ソフトの VOICEVOX を使いました。

Bot仕組み声
Hermes-main(司会)Hermes Agentずんだもん
OpenClaw-test(アイデア役)OpenClaw四国めたん
Muse-main(実務役)Hermes Agent(中で Muse Code を使う)春日部つむぎ
  • 試した版:VOICEVOX エンジン 0.26.2、Hermes Agent v0.23.1、OpenClaw 2026.11.3(2026年11月時点)
  • 動かした場所:家のサーバーの、AI 用の仮想マシン(Ubuntu 24.04、CPU 4つ、メモリ 8GB、GPU なし)

声は Discord が作るのではない

最初に迷ったのは、「声を付けるのは Discord や LINE の側なのか、サーバーの側なのか」でした。

答えはサーバーの側です。

  • Bot の仕組み(Hermes Agent・OpenClaw)が、返事の文を声のファイルにする
  • Discord や LINE は、できたファイルを「音声メッセージ」として届けるだけ

Hermes Agent にも OpenClaw にも、文字を声にする機能(TTS)が、はじめから入っています。声を作るソフトを選んで、つなぐだけです。

声を付ける仕組み

1. VOICEVOX のエンジンをサーバーに入れる

VOICEVOX には、画面のあるアプリのほかに、声を作るだけの「エンジン」があります。Linux の CPU 版を入れました。

  • 配布元:VOICEVOX エンジンの GitHub のリリース(voicevox_engine-linux-cpu-x64-0.26.2.7z.001、約 1.8GB)
  • 7z 形式なので、p7zip-full を入れて展開する
  • 専用のユーザーを作り、systemd のサービスとして常に動かす
  • 待ち受けは 127.0.0.1 だけにする。サーバーの中からだけ使えて、外からは使えない
[Service]
User=voicevox
WorkingDirectory=/opt/voicevox/engine
ExecStart=/opt/voicevox/engine/run --host 127.0.0.1 --port XXXX --cpu_num_threads 2
Restart=on-failure
MemoryMax=2500M

GPU のない CPU だけのサーバーでも、短い文なら 1〜2.5 秒で声ができました。メモリは、声を使い始めると 1.2GB ほどになりました。

2. 文字を声にする小さなコマンドを作る

VOICEVOX のエンジンは、2回の呼び出しで声を作ります。

  1. audio_query:文と話者の番号を渡して、読み方のデータをもらう
  2. synthesis:そのデータを渡して、声(wav)をもらう

これを1つにまとめた小さなコマンド(voicevox-tts)を Python で作りました。Discord の音声メッセージに合わせて、ffmpeg で Opus 形式(ogg)に変えます。

voicevox-tts 話者の番号 出力ファイル --file 文字のファイル
voicevox-tts 話者の番号 出力ファイル --text "文字"

話者の番号は、ずんだもんが 3、四国めたんが 2、春日部つむぎが 8 です(「ノーマル」の声)。読む速さは、少しだけ速く(1.1 倍)しました。

3. Hermes Agent につなぐ

Hermes Agent には、「コマンド型」の声の設定があります。文字のファイルを渡すと声のファイルを返すコマンドを、自分で登録できます。

tts:
  provider: voicevox
  providers:
    voicevox:
      type: command
      command: "voicevox-tts 3 {output_path} --file {input_path}"
      format: ogg
      voice_compatible: true
      timeout: 180
  • voice_compatible: true:Discord に、ファイルではなく音声メッセージとして送る
  • Muse-main は、Hermes Agent の別のプロファイル(設定一式)です。同じ設定で、番号だけ 8(春日部つむぎ)にしました

つまずいたところ1:設定の命令が受け付けない

hermes config set tts.providers.voicevox.type command と打つと、「知らない設定の名前」として断られました。自分で名前を付ける設定は、--force を付けると書き込めます。

hermes config set --force tts.providers.voicevox.type command

4. OpenClaw につなぐ

OpenClaw には、手元のコマンドで声を作る方法(tts-local-cli)があります。設定ファイル(openclaw.json)に足しました。

"tts": {
  "auto": "off",
  "provider": "tts-local-cli",
  "providers": {
    "tts-local-cli": {
      "command": "/usr/local/bin/voicevox-tts",
      "args": ["2", "{{OutputPath}}", "--text", "{{Text}}"],
      "outputFormat": "wav",
      "timeoutMs": 180000
    }
  }
}

番号の 2 が、四国めたんです。

5. いつ声で返すか

声で返すのは、頼まれたときだけにしました。

  • Hermes Agent:「声で言って」と頼むと声で返す。チャンネルでいつも声にするときは /voice tts、やめるときは /voice off
  • OpenClaw:「声で言って」と頼むか、/tts audio 文字 で1回だけ声にする。いつも声にするときは /tts on、やめるときは /tts off

結果

会議室で「今日のニュースで気になることがあったら、みんな声で言って」と送りました。

OpenClaw と Hermes が音声メッセージで答えた
  • OpenClaw(四国めたん)が、ニュースを調べて声で紹介し、出典のリンクも付けた
  • Hermes(ずんだもん)は、司会として声で答え、ほかの2つにも声で話すよう頼んだ
Muse が少し遅れて音声メッセージで答えた
  • Muse(春日部つむぎ)は少し遅れて、声で答えた

3つとも、割り当てたとおりの声で話しました。

つまずいたところ2:Muse がなかなか話さない

Muse-main は、作業を Muse Code に任せる決まりにしています。ニュースを調べる作業を Muse Code に任せ、その終わりを待っていたので、返事まで3分ほどかかりました。声の仕組みの問題ではありませんでした。

つまずいたところ3:Bot の声が、ほかの Bot の作業を止める

Hermes の音声メッセージが、Muse には「新しい発言」として届きました。そのため、Muse の作業が途中で一度止まりました。

3つとも「いつも声で返す」にすると、会議室ではこの中断が増えます。会議室では、声は頼まれたときだけにしました(/voice off)。

LINE は?(まだ試していない)

LINE の秘書(LINE で AI の秘書を作ってみた)にも声を付けられるかを調べました。まだ試していません。

  • LINE の音声メッセージは、ファイルそのものを送るのではなく、インターネットから取りに行ける音声の URL を渡す決まり
  • Hermes Agent の LINE の部分には、声のファイルを、LINE 用のトンネルを通して一時的に公開し、その URL を LINE に渡す仕組みがある
  • 気になる点
    • 声のファイルが、一時的とはいえ外から取れる場所に出る
    • LINE が受け付ける音声の形式(今は ogg で作っている)と、長さ(ミリ秒)の扱いの確認が要る
    • 無料プランでは、Bot から送れるメッセージの数に上限がある

試したら、別の記事に書きます。

声の使い方の決まり(クレジット)

VOICEVOX は無料で、商用・非商用を問わず使えます。ただし、VOICEVOX を使ったことが分かるクレジットを書く決まりです。声のキャラクターごとにも、利用規約があります。

この記事の声のクレジットは、次のとおりです。

  • VOICEVOX:ずんだもん
  • VOICEVOX:四国めたん
  • VOICEVOX:春日部つむぎ

使う前に、次の規約を確認しました。

ずんだもん・四国めたんの規約には、動画などでは「見に行けば分かるところ」にクレジットを書く、とあります。Discord の会議室では、チャンネルの説明にクレジットを書いておくとよいと思います。

まとめ

  • Bot の声は、Discord や LINE ではなく、Bot を動かすサーバーの側で作る
  • VOICEVOX のエンジンは、GPU のない CPU だけのサーバーでも、短い文なら数秒で声を作れる
  • Hermes Agent は「コマンド型」、OpenClaw は tts-local-cli で、自作のコマンドを声の仕組みにつなげる
  • 話者の番号を変えるだけで、Bot ごとに別の声にできる
  • 会議室では、Bot の声がほかの Bot の作業を止めるので、声は頼まれたときだけがよい
  • VOICEVOX の声を使うときは、クレジットを書き、キャラクターごとの規約を確認する

参考

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です