voicegen-port

voicegen-port

voicegen-port は ElevenLabs API を通じて、テキストを音声に変換したり、音声をテキストに変換したりします。選択した音声で段落を読み上げたり、説明から効果音を作成したり、録音を文字起こししたり、ノイズの多いクリップから音声を抽出したり、音声ライブラリ自体を管理したりできます。音声ライブラリでは、文章による説明から新しい音声をデザインし、保存する価値のあるものを保存できます。コマンドラインから、またはエージェント向けの MCP サーバーとして実行できます。

ElevenLabs API キーが必要です。ELEVENLABS_API_KEY 環境変数に設定してください。このキーは xi-api-key ヘッダーとして API に送信され、出力には表示されません。環境変数が設定されていない場合、すべての呼び出しはその名前を示すエラーで失敗します。

音声はバイナリデータであり、このツールはその性質を正しく扱います。生成の呼び出しでは、音声データそのものをテキスト出力にダンプするのではなく、アーティファクトの概要（バイト数、base64 の長さ、コンテンツタイプ）を報告します。

インストール

npx @reneturcios/voicegen-port voices

または、コンテナイメージを実行します。

docker run -i -e ELEVENLABS_API_KEY ghcr.io/cloudcorprecords/voicegen-port

コンテナはデフォルトで MCP サーバーとして起動します（以下を参照）。CLI として使用するには、CLI 引数を渡します。

CLI

export ELEVENLABS_API_KEY="your ElevenLabs API key"

voicegen-port tts "Welcome to the show" --voice v_george
voicegen-port sfx "rain on a tin roof" --duration 4
voicegen-port stt interview.mp3 --language en
voicegen-port isolate noisy-call.mp3
voicegen-port voices
voicegen-port voice v_rachel
voicegen-port search-voices "narrator" --page-size 5
voicegen-port design "A calm British narrator" --text "Sample line"
voicegen-port create-from-preview gen_1 "Calm Narrator"
voicegen-port add-voice "Studio Voice" --description "Warm and close"
voicegen-port delete-voice v_old
voicegen-port models
voicegen-port subscription
voicegen-port user

voicegen-port --version

終了コード：成功時は 0、呼び出し失敗時（ELEVENLABS_API_KEY の未設定や API エラーを含む）は 1、使用方法のエラー時は 2 です。

MCP サーバー

1 つのバイナリで、どちらの使い方にも対応します。mcp サブコマンドで stdio MCP サーバーを起動します。

npx -y @reneturcios/voicegen-port mcp

MCP クライアントの設定：

{
  "mcpServers": {
    "voicegen-port": {
      "command": "npx",
      "args": ["-y", "@reneturcios/voicegen-port", "mcp"],
      "env": { "ELEVENLABS_API_KEY": "your ElevenLabs API key" }
    }
  }
}

ツール

これは、公式 ElevenLabs MCP サーバーのうち、ドキュメント化されている主要なツール（14 個）です。会話型 AI およびテレフォニーのツール（create_agent、list_agents、get_agent、delete_agent、add_knowledge_base_to_agent、make_outbound_call、list_phone_numbers）に加えて、voice_clone、speech_to_speech、play_audio は実装されていません。ビルドレポートを参照してください。

ツール	入力	返される内容
text_to_speech	text（必須）、voice_id、model_id、output_format（省略可）	音声アーティファクトの概要：バイト数、base64 の長さ、コンテンツタイプ。
text_to_sound_effects	text（必須）、duration_seconds、prompt_influence（省略可）	生成された効果音の音声アーティファクトの概要。
speech_to_text	file_path（必須）、language_code、model_id（省略可）	テキストを含む文字起こしのペイロード。
isolate_audio	file_path（必須）	抽出された音声トラックの音声アーティファクトの概要。
list_voices	—	すべての音声：各音声の ID、名前、カテゴリ。
get_voice	voice_id（必須）	音声の完全なレコード。
search_voices	search（必須）、category、page_size（省略可）	一致する音声。同じ概要形式で返されます。
text_to_voice	prompt（必須）、text（省略可）	生成された音声 ID を含む、音声デザインのプレビュー。
create_voice_from_preview	generated_voice_id、voice_name（必須）、voice_description（省略可）	保存された音声のレコード。
add_voice	name（必須）、description（省略可）	追加された音声のレコード。
delete_voice	voice_id（必須）	API からの削除応答。
list_models	—	すべてのモデル：各モデルの ID、名前、説明。
check_subscription	—	アカウントのサブスクリプションレコード。
get_user_info	—	API キー所有者のユーザーレコード。

呼び出しは JSON ボディを使用して https://api.elevenlabs.io/v1 に送信されます。speech_to_text と add_voice は上流ではマルチパート形式でファイルをアップロードしますが、この再構築ではビルドレポートに記録されているとおり、ファイル名や音声を指定する JSON ボディとして扱う簡略化を行っています。

開発

npm install
npm run build   # tsc -> dist/
npm test        # node test runner over test/*.test.ts, no network (fake fetch fixtures)
npm run dev     # run the CLI from source via tsx

ライセンス

MIT — LICENSE を参照してください。