mcpField
B
blog-audio

blog-audio

github.com/infrasity-labsクリエイティブ・メディア15095 回インストール18 週間前に更新
リポジトリ

blog-audio について

blog-audioは、GoogleのGemini TTSでブログ記事を音声化するスキルです。要約、全文朗読、二人の対話形式に対応し、音声の選択とHTML5埋め込みコードの出力ができます。

主な機能

  1. 01要約または全文のナレーション生成
  2. 02二人の対話スクリプト作成
  3. 03音声カタログから声を選択
  4. 04HTML5埋め込み用の音声を出力
  5. 05FFmpegがあればMP3に変換

活用シーン

  1. 01ブログ記事の音声版を用意
  2. 02記事の短い音声概要を作成
  3. 03記事をポッドキャスト風の対話にする

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/infrasity-labs/dev-gtm-claude-skills --skill blog-audio

インストール後、Claude Code で/blog-audioを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

references/
voices.md
scripts/
__init__.py
generate_audio.py
requirements.lock
requirements.txt
run.py
setup_environment.py

詳細

ブログ音声：ブログ記事向け Gemini TTS ナレーション

Google の Gemini TTS を使って、ブログコンテンツのプロフェッショナルな音声ナレーションを生成します。 3 つのモードに対応しています：要約（200～300 語の音声による概要）、記事全体の読み上げ、または 2 人の話者によるポッドキャスト形式の対話。30 種類の音声、80 以上の言語に対応し、HTML5 埋め込み形式で出力します。

クイックリファレンス

コマンド動作
/blog audio generate <file>ブログ記事の音声ナレーションを生成します
/blog audio voices特徴付きの利用可能な音声を表示します
/blog audio setupGemini TTS の API キーを確認・設定します

前提条件

  • Python 3.11+（run.py によって venv が自動管理されます）
  • GOOGLE_AI_API_KEY 環境変数（blog-image と同じキーを使用します）
  • FFmpeg（WAV から MP3 への変換に使用します。ない場合は WAV にフォールバックします）

必ず run.py ラッパーを使用する

# CORRECT:
python3 scripts/run.py generate_audio.py --text "..." --voice Charon --json

# WRONG:
python3 scripts/generate_audio.py --text "..."  # Fails without venv

API キーの確認（ゲートパターン）

音声を生成する前に、API キーが設定されているか確認します。

echo $GOOGLE_AI_API_KEY
  • 設定済みの場合：生成を続行します
  • 未設定の場合：ユーザーに次のように案内します。 「音声の生成には Google AI API キーが必要です。https://aistudio.google.com/apikey で無料のキーを取得してください。 次に、export GOOGLE_AI_API_KEY=your-key を設定します。 /blog image と同じキーを使用します。画像を生成できる場合は、音声も生成できます。」
  • 内部から呼び出された場合（blog-write から）：キーがない場合は何も返さずに終了します。 執筆ワークフローを決して妨げないでください。

セットアップ

/blog audio setup の場合：

  1. GOOGLE_AI_API_KEY が環境変数に設定されているか確認します
  2. blog-image が設定済みの場合（.mcp.json を確認）、キーはすでに利用可能です
  3. そうでない場合は、https://aistudio.google.com/apikey をユーザーに案内します
  4. ドライランで確認します：python3 scripts/run.py generate_audio.py --text "Test" --dry-run --json

音声の選択

/blog audio voices の場合：

references/voices.md を読み込み、音声カタログをユーザーに提示します。

ユーザーに希望する音声を尋ねるか、コンテンツの種類に基づいておすすめします。

  • 記事のナレーション：Charon（Informative）または Sadaltager（Knowledgeable）
  • チュートリアル／ハウツー：Achird（Friendly）または Sulafat（Warm）
  • ニュース／分析：Rasalgethi（Informative）または Schedar（Even）
  • ライフスタイル／ウェルネス：Aoede（Breezy）または Vindemiatrix（Gentle）
  • 対話の司会者：Puck（Upbeat）または Laomedeia（Upbeat）
  • 対話の専門家：Kore（Firm）または Charon（Informative）

生成ワークフロー

/blog audio generate <file> の場合：

ステップ 1：ブログ記事を読む

ファイルを読み、以下を抽出します。

  • タイトル（H1 または frontmatter から）
  • 全文（Markdown 本文）
  • おおよその語数
ステップ 2：モードを選ぶ

ユーザーに尋ねるか、--mode が指定されている場合は自動選択します。

モード用途出力
Summary手短な音声概要（1～2 分）200～300 語の音声による要約
Full全文の読み上げ（5～15 分）記事全体を自然な話し言葉で読み上げ
Dialogueポッドキャスト形式（3～8 分）記事についての 2 人の会話
ステップ 3：テキストを準備する

重要： テキストを準備するのは Claude です。スクリプトは TTS のみを実行します。

要約モード： 記事を音声で読み上げるための、200〜300語の要約を書きます。ルール：

  • 書き言葉ではなく、自然な話し言葉にします
  • 記事の主な発見や答えから始めます
  • 3〜5個の主なポイントを取り上げます
  • 実践的なアドバイスで締めくくります
  • Markdown、「この記事では……」などの表現、メタコメントは使いません
  • 会話的なつなぎの表現を使います（「重要なのは……」「主な発見は……」など）

全文モード： Markdown の内容を、音声で読み上げやすいテキストに整えます：

  • 見出しは自然なつなぎの表現にします（「次に、……を見ていきましょう」など）
  • リンクはプレーンテキストにします（URL を削除し、アンカーテキストは残します）
  • 画像やグラフは省略するか、簡単に説明します（「データが示すように……」など）
  • コードブロックは口頭で説明します（「このコードでは for ループを使って……」など）
  • リストは自然な文章に変換します
  • フロントマター、スキーママークアップ、HTML タグを削除します
  • 短い導入を加えます：「これは、[日付]に公開された[タイトル]です。」

対話モード： 記事について、2 人の会話形式の台本を書きます：

  • Speaker1 = ホスト（好奇心旺盛で、的確な質問をします）
  • Speaker2 = 専門家（知識が豊富で、明快に答えます）
  • 各行を次の形式にします：[Speaker1] ここでの重要なポイントは何ですか？
  • 記事の主なポイントを会話形式で取り上げます
  • 15〜25 回のやり取りにします（約3〜8分の音声になります）
  • 堅苦しくない自然な会話にします（「まさにそのとおりです」より「それはいい指摘ですね」）
ステップ 4：音声を選ぶ

ユーザーが音声を選択している場合は、その音声を使います。選択していない場合は、モードに応じて推奨します：

  • 要約／全文：デフォルトは Charon（情報提供）
  • 対話：デフォルトは Puck（ホスト）＋ Kore（専門家）
ステップ 5：音声を生成する

準備したテキストを一時ファイルに書き込み、次を呼び出します：

# Single voice (summary or full mode)
python3 scripts/run.py generate_audio.py \
  --text-file /tmp/blog_audio_prepared.txt \
  --voice Charon \
  --model flash \
  --output /path/to/audio/post-slug.mp3 \
  --json

# Two voices (dialogue mode)
python3 scripts/run.py generate_audio.py \
  --text-file /tmp/blog_audio_dialogue.txt \
  --voice Puck \
  --voice2 Kore \
  --model pro \
  --output /path/to/audio/post-slug-dialogue.mp3 \
  --json

モデルの選択：

  • flash（デフォルト）：高速で低コストです。要約や標準的なナレーションに適しています。
  • pro：より高品質です。対話モードやプレミアムコンテンツに使います。
ステップ 6：結果を提供する

結果をユーザーに提示します：

  1. ファイルパス：音声の保存先
  2. 長さ：人が読みやすい形式（例：「3:42」）
  3. 埋め込みコード：すぐに貼り付けられる HTML5 audio タグ
  4. 費用：API 費用の概算
  5. 配置の提案：ブログ記事内で埋め込みを挿入する場所

埋め込みガイド

標準 HTML（Hugo、Jekyll、静的サイト）
<audio controls preload="metadata">
  <source src="audio/post-slug.mp3" type="audio/mpeg">
  Your browser does not support the audio element.
</audio>
MDX（Next.js、Gatsby）
<audio controls preload="metadata">
  <source src="/audio/post-slug.mp3" type="audio/mpeg" />
</audio>
WordPress
[audio src="audio/post-slug.mp3"]
配置

音声プレーヤーは、導入部の後（最初の H2 の下）、または記事の最上部に「この記事を聴く」や「音声版」というラベルを付けて挿入します。

内部 API（blog-write 用）

blog-write から内部的に呼び出される場合：

入力：

  • text：準備済みテキスト（Claude によるクリーニング済み）
  • voice：音声名（デフォルト：Charon）
  • voice2：対話用の 2 つ目の音声（任意）
  • model：flash または pro
  • output_path：ファイルの保存先

出力：

### Audio Narration
- **Path:** /path/to/audio/post-slug.mp3
- **Duration:** 3:42
- **Voice:** Charon
- **Embed:** `<audio controls preload="metadata"><source src="audio/post-slug.mp3" type="audio/mpeg"></audio>`

正常なフォールバック： GOOGLE_AI_API_KEY が設定されていない場合は、エラーを出さずに直ちに戻ります。音声がなくても、執筆ワークフローは続行されます。音声生成が利用できないことを理由に、blog-write をブロックしてはいけません。

エラー処理

エラー解決方法
GOOGLE_AI_API_KEY が設定されていないhttps://aistudio.google.com/apikey でキーを取得します
FFmpeg が見つからないインストールします：sudo apt install ffmpeg。WAV 出力にフォールバックします。
レート制限待ってから再試行します。制限は https://aistudio.google.com/rate-limit で確認できます
テキストが長すぎる（>32k トークン）セクションに分割し、個別に生成します
不明な音声名/blog audio voices を実行して、有効な選択肢を確認します
API エラーキーの有効性とモデルの利用可否（プレビューモデル）を確認します
API キーがない（内部呼び出し）何も出力せずに戻ります。執筆ワークフローは続行されます

参考ドキュメント

必要に応じて読み込みます。起動時にすべて読み込まないでください：

  • references/voices.md：全 30 種類の音声カタログ、コンテンツの種類別の推奨音声、対話向けの組み合わせ

コメント

Markdown 対応