コンテンツにスキップ
TomoriBot

Text-to-Speech（ローカルエンジン）

キャラクターごとの料金を支払ったり、サードパーティの音声APIに音声をストリーミングしたりすることなく、マシン上で自然な音声メッセージやキャラクターの音声を直接生成します。

TomoriBotは音声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。クローンエンジンはテキストと設定された参照音声サンプルを受け取り、VoiceDesign対応エンジンは自然言語の指示も受け取ることができます。

利用可能なエンジン

Chatterbox TTSイベントタグを使用した英語の音声クローン。Turboがデフォルトです。NanoとStandardはオプションのバリエーションです。
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。
MOSS-TTSトライアル自動エンドポイント：4B多言語音声クローンまたはテキストで指定された英語/中国語の音声デザイン。
IrodoriTTS感情制御のためのUnicode絵文字マークアップを備えた、日本語に特化した音声クローンおよびVoiceDesign。
Fish Audio S2 Proきめ細やかなブラケット表現制御を備えた高品質の多言語音声クローン。公式のBF16ウェイトがデフォルトで、小規模GPU向けのオプションのINT8チェックポイントもあります。
VoxCPM2Voice Design、参照音声クローン、文字起こし支援のUltimate Cloning、自然言語での配信制御を備えた30言語対応TTS。
CosyVoice 3自然言語での配信指示を備えた、0.5Bの多言語ゼロショットおよび異言語クローン。
TTSエンジンの比較7つすべてのエンジンの実測合成時間、音声サンプルプレーヤー、および速度比較。

セットアップの流れ

  1. 上記のカードからエンジンを1つ選択し、servers/tts/ からそのラッパーをセットアップします。
  2. /providers で + 新しいカスタムエンドポイントを追加 を選択し、API互換性 tts-clone を使用します。
  3. 保存したエンドポイントを選択し、そのモデルドロップダウンを使用して音声モデル、音声ソースモード、およびスクリプトマークアップを追加します。
  4. /config > モデル > モデルの切り替え を開き、TTS (Voice Design) または TTS (Voice Clone) でエンドポイントを選択します。自動エンドポイントは両方の選択をアクティブにします。一方を解除しても他方は保持されます。

ホスト型の音声プロバイダーや個人設定については、音声：TTS & STT を参照してください。

ネットワークアクセス

TTSローカルサーバーはすべてデフォルトで 127.0.0.1 にバインドするため、同じマシン上のボットからしか接続できません。TomoriBotをDockerや別のマシンで実行する場合は、サーバー側で TOMORI_TTS_HOST=0.0.0.0 を設定し、ホストのアドレス（例：http://host.docker.internal:8015）でエンドポイントを登録してください。

各サーバーは独自のポート変数（CHATTERBOX_PORT、QWEN3TTS_PORT、IRODORI_TTS_PORT、FISH_S2_PORT、VOXCPM2_PORT、COSYVOICE3_PORT、MOSS_TTS_PORT）を読み込むため、1つの .env で複数のサーバーを同時に実行できます。bun run launch は起動するサーバーに .env を渡しますが、手動で起動したサーバーはシェルの環境変数のみを読み込みます。

サーバーには認証がありません。ポートに到達できる人は誰でもGPUで合成を実行できます。ループバック以外へのバインドは信頼できるネットワーク内に限定し、それより外へ公開するサーバーには認証付きリバースプロキシを前段に配置してください。

ペルソナボイス

音声クローンの場合、/config > モデル > TTSパラメーターと音声 でクリーンな単一話者のサンプルをアップロードし、ペルソナ > 音声 で割り当てます。推奨されるクリップの長さや文字起こしの要件については、エンジンのガイドを確認してください。

TomoriBotは最大130秒までのサンプルを受け入れ、モノラルWAVに変換します。アップロードのサイズ制限はデフォルトで10 MBです。SPEECH_SAMPLE_MAX_MB で変更できます。FLACなどの圧縮形式を使用すると、長いクリップをサイズ内に収めやすくなります。

音声デザインをサポートするエンジンの場合、ペルソナ > 音声 で音声の説明を保存します。ペルソナは説明とサンプルの両方を持つことができます。音声ソースの優先度によって、どちらの使用可能なソースを最初に試すかが選択されます。サポートされているモードとスクリプトマークアップについては、各エンジンのガイドを参照してください。

/config > 権限 で音声メッセージを有効にし、ペルソナに送信を依頼するか、/generate voice-message を使用して試してみてください。