mcpField
S
speech-use

speech-use

github.com/cnemriクリエイティブ・メディア12868 回インストール38 週間前に更新
リポジトリ

speech-use について

speech-useは、ポータブルなPythonスクリプトで音声合成、音声認識、音声クローンを行うスキルです。Googleの音声サービスをコマンドラインで利用するユーザー向けです。

主な機能

  1. 01Gemini-TTSによる音声合成
  2. 02Chirp 3による音声認識
  3. 03音声ファイルからカスタム音声を作成
  4. 04プリセット音声とモデルの選択

活用シーン

  1. 01テキストから音声を生成
  2. 02音声ファイルを文字起こし
  3. 03クローン音声の作成と利用

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/cnemri/google-genai-skills --skill speech-use

インストール後、Claude Code で/speech-use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/
create_custom_voice.py
generate_speech.py
transcribe_audio.py

詳細

音声の利用

このスキルでは、テキスト読み上げ（TTS）、音声テキスト変換（STT）、音声クローンを実行します。

このスキルでは、uv で管理されるポータブルな Python スクリプトを使用します。

前提条件

  1. 環境変数：

    • GOOGLE_API_KEY（Gemini 経由の TTS 用）
    • GOOGLE_CLOUD_PROJECT（STT と音声クローンに必須）
    • GOOGLE_APPLICATION_CREDENTIALS（STT／音声クローンでの使用を推奨）

  2. 有効化する API：

    • Text-to-Speech API（texttospeech.googleapis.com）
    • Speech-to-Text API（speech.googleapis.com）

使い方

1. 音声を生成する（TTS）

Gemini-TTS を使用してテキストから音声を生成します。

標準音声：

uv run skills/speech-use/scripts/generate_speech.py "Hello world, this is a test." --voice Puck --output hello.wav

カスタム音声（クローン音声）：

uv run skills/speech-use/scripts/generate_speech.py "This is my custom voice speaking." --voice-cloning-key "YOUR_KEY_HERE" --output custom.wav
2. カスタム音声を作成する（音声クローン）

参照音声ファイルと同意音声ファイルから voiceCloningKey を生成します。

要件：

  • reference.wav：明瞭な発話を 10～30 秒収録したもの（クローンする音声）。
  • consent.wav：話者が次のように話す音声：「私はこの音声の所有者であり、Google がこの音声を使用して合成音声モデルを作成することに同意します。」
uv run skills/speech-use/scripts/create_custom_voice.py --reference-audio reference.wav --consent-audio consent.wav

出力されたキーを保存し、generate_speech.py で使用してください。

3. 音声を書き起こす（STT）

Chirp 3 を使用して音声ファイルを書き起こします。

uv run skills/speech-use/scripts/transcribe_audio.py audio.wav --language en-US --output transcript.txt

オプション

generate_speech.py

  • --voice：既成音声（例：Kore、Puck、Fenrir、Aoede）。
  • --voice-cloning-key：create_custom_voice.py で生成したキー。
  • --model：デフォルトは gemini-2.5-flash-preview-tts です。

transcribe_audio.py

  • --model：デフォルトは chirp_3 です。
  • --language：デフォルトは auto です。
  • --location：クラウドリージョン（デフォルトは us）。

参考資料

スクリプトを実行する前に、利用可能な音声とオプションについて、参考ガイドを確認してください。

  • 音声ガイド - スタイル別の 30 種類以上の音声オプション（Puck、Kore、Fenrir、Aoede など）

コメント

Markdown 対応