VOICEVOX/voicevox_engine

VOICEVOX Engine – 何であるか

VOICEVOX Engine は、日本語のテキストを音声に変換するオープンソースのHTTPサーバーです。VOICEVOXデスクトップエディタのバックエンドとして機能しており、実際のニューラルネットワークベースのTTSモデルである VOICEVOX Core を基盤としています。このリポジトリにはサーバーコード、Dockerイメージ、CPUまたはGPU上でエンジンを実行するためのツールが含まれています。

---

主な機能（READMEに記載）

機能	動作方法 / できること
テキストから音声合成	/audio_query にPOSTリクエストを送信して合成クエリを取得し、そのJSONを /synthesis（または /streaming_synthesis）にPOSTして24 kHzのWAVファイルを受信します。
ストリーミング合成	/streaming_synthesis は、音声を小さなチャンクで返すため、全発話が完了する前にクライアントが再生を開始できます。
ボイスモーフィング	/synthesis_morphing は、2つのスピーカースタイル（例：スピーカー8 → スピーカー10）を制御可能なモーフ率でブレンドできます。
ユーザー辞書	CRUD API（/user_dict, /user_dict_word）により、カスタム単語発音エントリを追加・編集・削除でき、固有名詞や専門用語に有用です。
プリセット	presets.yaml を編集することで、プロジェクト間でスピーカー/スタイル設定を共有できます。APIは /presets と /audio_query_from_preset を提供します。
AquesTalk風の音声表記	エンジンはカタカナのみの「AquesTalk風」発音表現を返却・受信でき、アクセントの細かい制御が可能です。
歌唱合成	特化したエンドポイント（/sing_frame_audio_query, /frame_synthesis）は、MIDI風の音符データを受け取り、歌唱音声を生成します。
キャンセル可能な合成	--enable_cancellable_synthesis で起動すると、HTTP接続を中断することで計算リソースを即座に解放できます。
Dockerイメージ	すぐにデプロイできる voicevox/voicevox_engine:cpu-latest および voicevox/voicevox_engine:nvidia-latest のプリビルドイメージが利用可能です。
CORSおよびミュータブルAPIの設定	ランタイムフラグ（--cors_policy_mode, --disable_mutable_api）により、API呼び出し可能なオリジンを制限したり、辞書変更エンドポイントをロックダウンできます。
GPU/CPU選択、スレッド制御、モックモード	コマンドラインオプション（--use_gpu, --cpu_num_threads, --enable_mock）でGPUで実行、CPUスレッド数を制限、またはテスト用にモックエンジンを使用できます。

---

一般的な使用フロー（簡単な例）

# 1. エンジンを起動（Docker例、CPU）
 docker run --rm -p 127.0.0.1:50021:50021 voicevox/voicevox_engine:cpu-latest

# 2. テキストの合成クエリを取得
 echo -n "こんにちは、音声合成の世界へようこそ" > text.txt
 curl -s -X POST "127.0.0.1:50021/audio_query?speaker=1" \
      --get --data-urlencode text@text.txt > query.json

# 3. 音声を合成
 curl -s -H "Content-Type: application/json" -X POST -d @query.json \
      "127.0.0.1:50021/synthesis?speaker=1" > audio.wav

生成された audio.wav は24 kHzのモノラルファイルです。

---

だれが使うべきか？

• 開発者：日本語音声アシスタント、ゲーム、アクセシビリティツールを構築し、ローカルにホストされたTTSサービスが必要な人。
• 研究者：ボイススタイルモーフィング、カスタム発音辞書、歌唱合成を実験したい人。
• 統合者：HTTP APIまたはDockerコンテナ経由でVOICEVOXを他のアプリケーションに組み込みたい人。

---

セットアップ / リソース

• ダウンロード – 最新版バイナリは リリースページ にあります。
• APIドキュメント – http://127.0.0.1:50021/docs にインタラクティブなSwagger UIがあります（またはホストされたドキュメント：https://voicevox.github.io/voicevox_engine/api/）。
• Docker – docker pull voicevox/voicevox_engine:cpu-latest（GPU版は nvidia-latest）。
• 貢献 – ビルド、テスト、CI手順は CONTRIBUTING.md を参照。プルリクエストを歓迎します。

---

TL;DR

VOICEVOX Engine は、通常の合成、ストリーミング、ボイスモーフィング、カスタム辞書、さらには歌唱合成をサポートする自己完結型のHTTPベースの日本語TTSサーバーです。CPUまたはGPUで動作可能で、Dockerイメージとして配布され、プログラマブルな音声合成バックエンドが必要な開発者向けに設計されています。