vox

vox

Claude に音声を届ける、macOS ネイティブの MCP サーバーです。

Swift で構築されています。Node.js も Python も Electron も不要です。単一のバイナリだけで動作します。

{
  "mcpServers": {
    "vox": {
      "command": "/path/to/vox"
    }
  }
}

あとは listen と言うだけで、Claude があなたの声を聞き取ります。

---

ツール

ツール	機能
listen	マイクを起動し、発話を待ちます。無音を検出すると、文字起こし結果と検出された言語を返します
speak	テキストを音声で読み上げます。ElevenLabs の TTS を使用し、自動的に macOS のシステム音声へ切り替えます

Swift と macOS のみを使用する理由

• AVFoundation — ネイティブのマイク入力。オーバーヘッドはゼロです
• SFSpeechRecognizer — Apple のオンデバイス音声認識。オフラインで動作し、50 以上の言語に対応しています
• NLLanguageRecognizer — 発話ごとに言語を自動検出します
• AVSpeechSynthesizer — API キー不要の、内蔵 TTS フォールバックです
• 約 200 KB の単一バイナリです。npm のインストールも Python 仮想環境も不要です

必要条件

• macOS 13 以降
• 「システム設定」→「サウンド」→「入力」で、マイクをデフォルトに設定します
• ターミナルアプリにマイクと音声認識のアクセス許可を付与します
• 任意：高品質な多言語 TTS を利用する場合は、~/.claude/.env に ELEVENLABS_API_KEY を設定します

インストール

方法 1：Claude Code に指示する

以下をコピーして Claude Code に貼り付けます：

Install vox (native macOS voice input/output MCP server):

1. Download the code-signed binary to ~/vox:
   curl -L https://github.com/boska/vox/releases/download/v1.1.0/vox-1.1.0-darwin-arm64 -o ~/vox && chmod +x ~/vox

2. Add to ~/.claude.json in the mcpServers section:
   {
     "mcpServers": {
       "vox": {
         "command": "/Users/$(whoami)/vox"
       }
     }
   }

3. Restart Claude Code

4. Test it by saying: listen

Claude がダウンロード、設定、再起動を行います。

方法 2：手動インストール（ビルド済みバイナリ）

curl -L https://github.com/boska/vox/releases/download/v1.1.0/vox-1.1.0-darwin-arm64 -o ~/vox && chmod +x ~/vox

次に、~/.claude.json に追加します：

{
  "mcpServers": {
    "vox": {
      "command": "/Users/$(whoami)/vox"
    }
  }
}

Claude Code を再起動します。

方法 3：ソースからビルドする

git clone https://github.com/boska/vox
cd vox
swift build -c release --product vox

~/.claude.json に追加します：

{
  "mcpServers": {
    "vox": {
      "command": "/path/to/vox/.build/release/vox"
    }
  }
}

Claude Code を再起動します。

音声

デフォルトの TTS 音声は、ElevenLabs（eleven_multilingual_v2）の Hana です。同じ音声で中国語、英語、チェコ語、ベトナム語など、20 以上の言語に対応しています。ElevenLabs のキーがない場合は、自動的に macOS のシステム音声に切り替わります。

仕組み

Claude Code
    ↓ JSON-RPC 2.0 over stdio
  vox binary
    ↓                        ↑
AVAudioEngine        AVSpeechSynthesizer
SFSpeechRecognizer       ElevenLabs API
NLLanguageRecognizer

ポートもソケットもデーモンもありません。標準入力と標準出力だけを使用します。

トラブルシューティング

「音声が検出されません」 — listen を呼び出してから約 1 秒以内に話してください。VAD は 0.8 秒間の無音の後に終了します。

デフォルトの入力デバイスがありません — Mac mini には内蔵マイクがありません。USB／Bluetooth マイク、または連係カメラ経由で iPhone を接続し、「システム設定」→「サウンド」→「入力」でデフォルトに設定します。

ElevenLabs が無音になる — ~/.claude/.env に ELEVENLABS_API_KEY=sk-... を追加するか、設定せずにシステム音声を使用します。