speak-tts

speak - Claude に話しかけてもらいましょう！

エージェントがリアルタイムであなたに話しかけられるようにします。Apple Silicon 上で動作するローカルのテキスト読み上げ、音声クローン、音声生成機能です。 エージェントがリアルタイムであなたに話しかけられるようにします。Apple Silicon 上で動作する、音声クローン機能を備えたローカル TTS です。

前提条件

要件	確認方法	インストール
Apple Silicon Mac	uname -m → arm64	Intel はサポートされていません
macOS 12.0+	sw_vers	-
sox	which sox	brew install sox
ffmpeg	which ffmpeg	brew install ffmpeg
poppler（PDF）	which pdftotext	brew install poppler

入力ソース

ソース	例
テキストファイル	speak article.txt
Markdown	speak doc.md
直接入力した文字列	speak "Hello"
クリップボード	pbpaste | speak
標準入力	cat file.txt | speak

ウェブ記事

lynx -dump -nolist "https://example.com/article" | speak --output article.wav

フォーマットの変換

フォーマット	変換コマンド
PDF	pdftotext doc.pdf doc.txt
DOCX	textutil -convert txt doc.docx
HTML	pandoc -f html -t plain doc.html > doc.txt

出力モード

目的	コマンド
後で聴くために保存	speak text.txt --output file.wav
今すぐ聴く（ストリーミング）	speak text.txt --stream
今すぐ聴く（全体）	speak text.txt --play
両方	speak text.txt --stream --output file.wav

デフォルトの動作

speak article.txt          # → ~/Audio/speak/article.wav (no playback)
speak "Hello"              # → ~/Audio/speak/speak_<timestamp>.wav

ディレクトリの自動作成

ディレクトリ	自動作成されますか？
~/Audio/speak/	✓ はい
~/.chatter/voices/	✗ いいえ
カスタムディレクトリ	✗ いいえ

カスタムディレクトリは必ず先に作成してください：

mkdir -p ~/.chatter/voices/
mkdir -p ~/Audio/custom/

音声クローン

音声クローンは、短い録音からあなたの声の特徴（ピッチ、トーン、話すテンポ）に合った音声を生成します。

品質の目安

• 出力には声の一般的な特徴が反映されますが、完全な複製ではありません
• 品質はサンプルの品質に大きく左右されます
• 15～25 秒が最適です（最短 10 秒、最長 30 秒）

自分の声を録音する

QuickTime を使用する場合：

1. QuickTime Player を開き、File → New Audio Recording を選択します
2. はっきりとした発話を 20 秒間録音します
3. File → Export As → Audio Only (.m4a) を選択します
4. WAV に変換します（下記参照）

sox を使用する場合（コマンドライン）：

# -d = use default microphone
# Recording starts immediately and stops after 25 seconds
sox -d -r 24000 -c 1 ~/.chatter/voices/my_voice.wav trim 0 25

必要なフォーマットへの変換

音声サンプルは、WAV、24000 Hz、モノラル、10～30 秒でなければなりません。

# From MP3
ffmpeg -i voice.mp3 -ar 24000 -ac 1 voice.wav

# From M4A (QuickTime)
ffmpeg -i voice.m4a -ar 24000 -ac 1 voice.wav

# Trim to 25 seconds
ffmpeg -i long.wav -t 25 -ar 24000 -ac 1 trimmed.wav

# Check sample properties
ffprobe -i voice.wav 2>&1 | grep -E "Duration|Stream"
# Should show: Duration ~15-25s, 24000 Hz, mono

自分の声を使う

# Create directory
mkdir -p ~/.chatter/voices/

# Move sample
mv voice.wav ~/.chatter/voices/my_voice.wav

# Test
speak "Testing my voice" --voice ~/.chatter/voices/my_voice.wav --stream

# Use for content
speak notes.txt --voice ~/.chatter/voices/my_voice.wav --output presentation.wav

パスの要件：

• ✓ 動作します：~/.chatter/voices/my_voice.wav（チルダはシェルによって展開されます）
• ✓ 動作します：/Users/name/.chatter/voices/my_voice.wav
• ✗ 失敗します：my_voice.wav（相対パス）
• ✗ 失敗します：./voices/my_voice.wav（相対パス）

音声サンプルのヒント

良いサンプル	悪いサンプル
静かな部屋	背景ノイズ
自然なペース	急いだ話し方、または単調な話し方
明瞭な発音	ぼそぼそした話し方
変化に富んだ内容	繰り返しの多いフレーズ

デフォルトの音声

--voice を省略すると、組み込みのデフォルト音声が使われます：

speak "Hello world" --stream  # Uses default voice

感情タグ

タグは、話し言葉ではなく実際に聞こえる効果音を生成します：

speak "[sigh] Monday again." --stream
# Output: (sigh sound) "Monday again."

タグ	効果
[laugh]	笑い声
[chuckle]	軽い含み笑い
[sigh]	ため息
[gasp]	息をのむ音
[groan]	うめき声
[clear throat]	咳払い
[cough]	咳
[crying]	泣き声
[singing]	歌うような発話

サポート対象外： [pause]、[whisper]（無視されます）

間を置くには： 句読点を使います："Wait... let me think."

バッチ処理

mkdir -p ~/Audio/book/
speak ch01.txt ch02.txt ch03.txt --output-dir ~/Audio/book/
# Creates: ch01.wav, ch02.wav, ch03.wav

# With auto-chunking (for long files)
speak chapters/*.txt --output-dir ~/Audio/book/ --auto-chunk

# Skip completed files
speak chapters/*.txt --output-dir ~/Audio/book/ --skip-existing

自動チャンク分割の動作

バッチ処理で --auto-chunk を使う場合：

1. 各入力ファイルは個別にチャンク分割されます
2. チャンクが生成され、ファイルごとに自動で連結されます
3. 最終出力：入力ファイルごとに 1 つの .wav ファイル（例：ch01.wav）
4. 中間チャンクは削除されます（--keep-chunks を指定した場合を除く）

チャンクを手動で連結する必要はありません — 最終的な章のファイルだけを連結してください。

音声の連結

# Explicit order (recommended)
speak concat ch01.wav ch02.wav ch03.wav --output book.wav

# Glob pattern (REQUIRES zero-padded filenames)
speak concat audiobook/*.wav --output book.wav

ゼロ埋めのルール

正しい連結順にするために重要です：

ファイル	正しい形式	誤った形式
1-9	01、02、...、09	1、2、...、9
10-99	01、02、...、99	1、10、2、...
100+	001、002、...、999	1、100、2、...

理由： シェルのグロブ展開では、アルファベット順に並べ替えられます。1, 10, 2 と 01, 02, 10 の違いです。

PDFからオーディオブックへの変換（全ワークフロー）

ステップ 1：章の境界を見つける

# Preview table of contents
pdftotext -f 1 -l 5 textbook.pdf toc.txt
cat toc.txt  # Note chapter page numbers

# Or search for "Chapter" markers
pdftotext textbook.pdf - | grep -n "Chapter"

ステップ 2：章を抽出する（ゼロ埋めすること！）

# For 100-page book with ~10 chapters
pdftotext -f 1 -l 12 -layout textbook.pdf ch01.txt
pdftotext -f 13 -l 25 -layout textbook.pdf ch02.txt
pdftotext -f 26 -l 38 -layout textbook.pdf ch03.txt
# ... continue for all chapters

ステップ 3：所要時間を見積もる

speak --estimate ch*.txt
# Shows: total audio duration, generation time, storage needed

# Quick estimates:
# 1 page ≈ 2 min audio ≈ 1 min generation
# 100 pages ≈ 200 min audio ≈ 100 min generation ≈ 500 MB

ステップ 4：音声を生成する

mkdir -p audiobook/
speak ch01.txt ch02.txt ch03.txt --output-dir audiobook/ --auto-chunk
# Creates: audiobook/ch01.wav, audiobook/ch02.wav, audiobook/ch03.wav

ステップ 5：連結する

speak concat audiobook/ch01.wav audiobook/ch02.wav audiobook/ch03.wav --output complete_audiobook.wav
# Or with glob (only if zero-padded):
speak concat audiobook/ch*.wav --output complete_audiobook.wav

PDFのトラブルシューティング

問題	解決策
テキストが空、または文字化けしている	スキャンされたPDFです。OCRを使用します：brew install tesseract
エンコーディングが正しくない	次を試します：pdftotext -enc UTF-8 doc.pdf
単語数を確認する	pdftotext doc.pdf - | wc -w（100を超えている必要があります）

複数の音声によるコンテンツ

mkdir -p podcast/scripts podcast/wav

echo "Welcome to the show." > podcast/scripts/01_host.txt
echo "Thanks for having me." > podcast/scripts/02_guest.txt

speak podcast/scripts/01_host.txt --voice ~/.chatter/voices/host.wav --output podcast/wav/01.wav
speak podcast/scripts/02_guest.txt --voice ~/.chatter/voices/guest.wav --output podcast/wav/02.wav

speak concat podcast/wav/01.wav podcast/wav/02.wav --output podcast.wav

オプション一覧

オプション	説明	デフォルト
--stream	生成しながらストリーミングする	false
--play	完了後に再生する	false
--output <path>	出力ファイル	~/Audio/speak/
--output-dir <dir>	バッチ出力ディレクトリ	-
--voice <path>	音声サンプル（フルパス）	default
--timeout <sec>	ファイルごとのタイムアウト	300
--auto-chunk	長いドキュメントを分割する	false
--chunk-size <n>	チャンクあたりの文字数	6000
--resume <file>	マニフェストから再開する	-
--keep-chunks	中間ファイルを保持する	false
--skip-existing	出力が存在する場合はスキップする	false
--estimate	所要時間の見積もりを表示する	false
--dry-run	プレビューのみを行う	false
--quiet	出力を抑制する	false

コマンド

コマンド	説明
speak setup	環境をセットアップする
speak health	システムの状態を確認する
speak models	TTSモデルを一覧表示する
speak concat	音声を連結する
speak daemon kill	TTSサーバーを停止する
speak config	設定を表示する

パフォーマンス

指標	値
コールドスタート	約4～8秒
ウォームスタート	約3～8秒
速度	0.3～0.5x RTF（リアルタイムより高速）
ストレージ	約2.5 MB/分、約150 MB/時間

再開機能

中断された長時間の生成を再開する場合：

# Single file with auto-chunk — use --resume
speak long.txt --auto-chunk --output book.wav
# If interrupted, manifest saved at ~/Audio/speak/manifest.json
speak --resume ~/Audio/speak/manifest.json

# Batch processing — use --skip-existing
speak ch*.txt --output-dir audiobook/ --auto-chunk
# If interrupted, re-run same command:
speak ch*.txt --output-dir audiobook/ --auto-chunk --skip-existing

よくあるエラー

エラー	原因	解決策
"Voice file not found"	相対パス	フルパスを使用します：~/.chatter/voices/x.wav
"Invalid WAV format"	仕様が正しくない	変換します：ffmpeg -i in.wav -ar 24000 -ac 1 out.wav
"Voice sample too short"	10秒未満	15～25秒録音します
"Output directory doesn't exist"	作成されていない	mkdir -p dirname/
"sox not found"	インストールされていない	brew install sox
連結順が乱れている	ゼロ埋めされていない	1、2 ではなく、01、02 を使用します
タイムアウト	生成に5分以上かかる	--auto-chunk または --timeout 600 を使用します
"Server not running"	古いデーモン	speak daemon kill && speak health

セットアップ

speak "test"     # Auto-setup on first run (downloads model ~500MB)
speak setup      # Or manual setup
speak health     # Verify everything works

サーバー管理

サーバーは自動起動し、1時間アイドル状態が続くとシャットダウンします。

speak health        # Check status
speak daemon kill   # Stop manually