Text-to-Speech（ローカルエンジン）

TomoriBotは、speechをカスタムエンドポイント機能として扱います。ローカルエンジンはボットの外部でHTTPサーバーとして動作し、POST /synthesizeを実装します。ほとんどのクローンエンジンは、テキストに加えて設定された参照音声サンプルを受信します。

利用可能なエンジン

Chatterbox TTSChatterbox-Turboによる高速なローカルボイスクローニングです。表現豊かな音声のためのブラケット配信タグをサポートしています。

Qwen3-TTSクローンモードとVoiceDesignモードを備えた多言語ローカルTTSです。最大サイズですが最高の品質を誇ります。

IrodoriTTS感情制御のためにUnicode絵文字マークアップを保持する、日本語に特化したボイスクローニングです。

セットアップ手順

上記のカードからエンジンを1つ選び、servers/tts/からそのラッパーを起動します。
/provider custom-endpoint addを実行し、capabilityにspeechを、api styleにtts-cloneを使用して登録します。
登録モーダルで、そのエンジンのガイドに記載されている音声ソースモード（voice source mode）とスクリプトマークアップ（script markup）を選択します。

登録すると、エンドポイントはすぐに有効になります。今後、登録済みのTTSエンドポイントを切り替える場合にのみ/model speechを使用します。

ペルソナ音声の流れ

クローンエンジンの場合、ペルソナごとに1つの音声サンプルを追加して割り当てます。

背景音楽のない、1人の話者による10〜20秒のクリアなクリップを準備します。
/speech voice-addを実行してサンプルをアップロードします。任意の音声形式を使用できます。TomoriBotはそれをモノラルのWAVに変換します。
/speech voice-assignを実行し、ペルソナと音声サンプルを選択します。

Qwen3-TTSのVoiceDesignの場合、音声サンプルはスキップし、代わりに各ペルソナに対して/speech voice-design setを実行します。

ElevenLabsのユーザーは/speech elevenlabsを使用する必要があります。これにより、speechとtranscriptionのエンドポイントが一緒に登録されます。

TomoriBotは、生成する前に音声スクリプトからDiscordのカスタム絵文字構文（:pepega:や<:pepega:123456789012345678>など）を削除します。speechエンドポイントがIrodoriTTS向けに意図された絵文字マークアップを使用しない限り、Unicode絵文字も削除されます。

ハードウェア要件

ローカルのTTSエンジンはLLMよりもはるかに軽量です。これらは小さなモデル（約0.5B〜1.7Bパラメーター）です。一般的なNVIDIA GPU（数GBのVRAMで十分です）でも、これらのいずれかを快適に実行し、合成を高速に保つことができます。音声クリップは短いため、速度は落ちますがCPUでも動作します。

エンジン	モデルサイズ	備考
Chatterbox	約0.5B (Turbo)	現在最も高速なオプションです。
Qwen3-TTS	1.7B (12 Hz)	個別のクローン + VoiceDesignモデル。一度に1つだけ読み込まれます。
IrodoriTTS	500M (v2)	日本語に特化。GPUでは`bf16`、CPUでは`fp32`。

起動後（またはQwen3-TTSがオートモードでモデルを入れ替えた後）の最初の合成は、モデルがメモリに読み込まれるため遅くなりますが、それ以降のリクエストは高速になります。TomoriBotは各レスポンスを最大TTS_SYNTHESIZE_TIMEOUT_MS（デフォルトは240000ミリ秒）待機します。