""" voice_output_design.py — MARK VII 音声出力モジュール（疑似実装） Python 3.9 互換 Stage 1: macOS say コマンド（無料・即時・日本語OK） Stage 2: ElevenLabs API（有料・リアル声・フォールバックあり） Stage 3: 声クローン（Pro契約後・MARK VIII 以降） """ import subprocess import sys import json import urllib.request import urllib.error from typing import Optional # ============================================================ # Stage 1 — macOS say # ============================================================ def speak(text: str, voice: str = "Kyoko", rate: int = 250) -> bool: """ macOS say コマンドで非同期音声出力。 他処理をブロックしない（Popen・wait しない）。 Returns: True … say プロセス起動成功 False … エラー（say が存在しない等） """ try: proc = subprocess.Popen( ["say", "-v", voice, "-r", str(rate), text], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL, ) print(f"say起動 PID={proc.pid}") return True except FileNotFoundError: print("[ERROR] say コマンドが見つかりません（macOS 専用）", file=sys.stderr) return False except Exception as e: print(f"[ERROR] say 起動失敗: {e}", file=sys.stderr) return False def speak_sync(text: str, voice: str = "Kyoko", rate: int = 250) -> bool: """ 同期版（読み上げ完了まで待つ）。 ON/OFF 切替は呼び出し元で VOICE_ENABLED フラグを見る。 """ try: result = subprocess.run( ["say", "-v", voice, "-r", str(rate), text], capture_output=True, ) return result.returncode == 0 except FileNotFoundError: return False def speak_to_file(text: str, path: str, voice: str = "Kyoko") -> bool: """ 音声を AIFF ファイルに保存（-o オプション）。 """ try: result = subprocess.run( ["say", "-v", voice, "-o", path, text], capture_output=True, ) return result.returncode == 0 except FileNotFoundError: return False # ============================================================ # Stage 2 — ElevenLabs API（モック実装・実APIコールなし） # ============================================================ ELEVENLABS_API_BASE = "https://api.elevenlabs.io/v1" # 無料枠: ~10,000 字/月 # 日本語対応モデル: eleven_multilingual_v2 # Voice Cloning (IVC): Starter プラン以上 ($5/月) # Professional Voice Clone (PVC): Pro プラン以上 ($22/月) DEFAULT_MODEL = "eleven_multilingual_v2" def speak_eleven( text: str, api_key: str, voice_id: str, model_id: str = DEFAULT_MODEL, ) -> Optional[bytes]: """ ElevenLabs TTS API 呼び出し（モック）。 実際の API コールは行わず、スキーマのみ示す。 実装時は以下のエンドポイントを使用: POST /v1/text-to-speech/{voice_id} Headers: xi-api-key: Body: { text, model_id, voice_settings: { stability, similarity_boost } } Response: audio/mpeg バイナリ Returns: bytes … 音声データ (MP3) None … エラー """ # --- モック: 実際は以下を urllib / requests で実装 --- print(f"[MOCK] ElevenLabs TTS: voice_id={voice_id}, chars={len(text)}") print(f"[MOCK] endpoint: POST {ELEVENLABS_API_BASE}/text-to-speech/{voice_id}") print(f"[MOCK] model: {model_id}") # 実装例（コメントアウト）: # url = f"{ELEVENLABS_API_BASE}/text-to-speech/{voice_id}" # payload = json.dumps({ # "text": text, # "model_id": model_id, # "voice_settings": {"stability": 0.5, "similarity_boost": 0.75}, # }).encode() # req = urllib.request.Request(url, data=payload, method="POST") # req.add_header("xi-api-key", api_key) # req.add_header("Content-Type", "application/json") # with urllib.request.urlopen(req) as resp: # return resp.read() return b"" # モック戻り値 # ============================================================ # Stage 2/3 — フォールバック統合 # ============================================================ # グローバル ON/OFF スイッチ（設定ファイルや env var から読む想定） VOICE_ENABLED: bool = True ELEVEN_API_KEY: str = "" # 環境変数 ELEVEN_API_KEY から取得想定 ELEVEN_VOICE_ID: str = "" # ユーザーのクローン voice_id def speak_with_fallback(text: str, mode: str = "stage1") -> None: """ 音声出力のメインエントリポイント。 mode: "stage1" — macOS say のみ（デフォルト） "stage2" — ElevenLabs → 失敗時 say にフォールバック "off" — 無音（テキストのみ） 使い方: speak_with_fallback("Jarvis の応答テキスト") speak_with_fallback("テキスト", mode="stage2") """ if not VOICE_ENABLED or mode == "off": print(f"[VOICE OFF] {text[:40]}...") return if mode == "stage1": speak(text) return if mode == "stage2": if not ELEVEN_API_KEY or not ELEVEN_VOICE_ID: print("[STAGE2] API key 未設定 → say にフォールバック") speak(text) return audio_bytes = speak_eleven(text, ELEVEN_API_KEY, ELEVEN_VOICE_ID) if audio_bytes and audio_bytes != b"": # 実装時: 音声バイトを afplay / pygame 等で再生 print(f"[STAGE2] ElevenLabs 再生: {len(audio_bytes)} bytes") else: print("[STAGE2] ElevenLabs 失敗 → say にフォールバック") speak(text) return # 未知のモード print(f"[WARN] 不明なモード: {mode} → stage1 で続行") speak(text) # ============================================================ # 設定サマリ（参照用） # ============================================================ VOICE_CONFIG = { "stage1": { "engine": "macOS say", "voice": "Kyoko", # ja_JP 女声（現環境で確認済） "rate": 250, "cost": "無料", "quality": "機械的", "latency": "即時（<100ms）", "available_voices_ja": ["Kyoko"], # Otoya は macOS 15 で削除済 }, "stage2": { "engine": "ElevenLabs API", "model": "eleven_multilingual_v2", "free_tier": "10,000文字/月", "paid_plan": "Starter $5/月〜", "voice_cloning_plan": "Pro $22/月〜", "cost_per_1k_chars": "$0.30 (Starter)", "quality": "高品質・自然", "latency": "200〜500ms（API往復）", }, "stage3": { "engine": "ElevenLabs Professional Voice Clone", "requirement": "Pro プラン + サンプル音声 30分以上", "timeline": "MARK VIII 以降", }, } # ============================================================ # エントリポイント # ============================================================ if __name__ == "__main__": print("=== MARK VII 音声出力モジュール 動作確認 ===\n") # Stage 1 動作確認 print("[TEST] Stage 1: macOS say 非同期起動") ok = speak("テスト発話") print(f" 結果: {'成功' if ok else '失敗'}\n") # モック ElevenLabs print("[TEST] Stage 2: ElevenLabs モック") speak_eleven("テスト", api_key="mock_key", voice_id="mock_voice_id") print() # フォールバック確認 print("[TEST] speak_with_fallback(stage1)") speak_with_fallback("Jarvis 音声テスト", mode="stage1") print() print("[TEST] speak_with_fallback(stage2, API key 未設定)") speak_with_fallback("フォールバックテスト", mode="stage2") print() # 設定サマリ print("[CONFIG] VOICE_CONFIG サマリ:") for stage, cfg in VOICE_CONFIG.items(): print(f" {stage}: {cfg.get('engine', '?')} / コスト: {cfg.get('cost', cfg.get('paid_plan', '?'))}")