音声

音声入力（STT）と読み上げ（TTS）を設定する。利用できるプロバイダーはこのビルドの画面定義に限定して記載する。

基本設定

画面表示（主）	内部キー（サブ）	製品既定値	推奨
音声合成プロバイダー	tts.provider	edge	無料利用は edge
音声認識	stt.enabled	オン	音声入力を使う場合オン
音声認識プロバイダー	stt.provider	local	プライバシー重視は local
応答を読み上げる	voice.auto_tts	オフ	通常オフ
音声ショートカット	voice.record_key	ctrl+b	他機能と競合しないキー
最大録音時間	voice.max_recording_seconds	120 秒	60～120秒

音声合成プロバイダー

画面表示（主）	保存値（内部）	既定	実行場所・特徴	必要なもの
Edge	edge	はい	Microsoft Edge TTS を使う。多数の言語・音声 ID がある	API キー不要。ネットワーク接続
Elevenlabs	elevenlabs	いいえ	ElevenLabs の音声と多言語モデルを使う	ELEVENLABS_API_KEY
Openai	openai	いいえ	OpenAI の TTS API、または互換エンドポイントを使う	VOICE_TOOLS_OPENAI_KEY
Neutts	neutts	いいえ	NeuTTS をローカル実行する。初回はモデル取得が発生し得る	neutts[all] の別途導入、ローカル計算資源

音声認識プロバイダー

画面表示（主）	保存値（内部）	既定	実行場所・特徴	必要なもの
Local	local	はい	faster-whisper をローカル実行。音声を外部 STT API へ送らない	初回モデル取得、ローカル CPU / GPU
Groq	groq	いいえ	Groq の Whisper 互換 API。低遅延を重視	GROQ_API_KEY。このキーは本画面ではなく環境設定側で管理される場合がある
Openai	openai	いいえ	OpenAI の Whisper / Transcribe API	VOICE_TOOLS_OPENAI_KEY
Xai	xai	いいえ	xAI の音声文字起こし。整形、対応言語、話者処理はサービス仕様に依存	xAI API キーまたは利用可能な xAI 認証
Elevenlabs	elevenlabs	いいえ	ElevenLabs Scribe を使い、言語指定、音声イベント、話者分離を設定可能	ELEVENLABS_API_KEY

現行ビルドの選択肢

古い説明にある Mistral は、このビルドの STT 選択肢には含まれない。MISTRAL_API_KEY の環境変数欄が残っていても、音声認識プロバイダーとして選択できることを意味しない。

TTS 詳細

画面表示（主）	内部キー（サブ）	製品既定値	入力・動作
Edge 音声	tts.edge.voice	en-US-AriaNeural	Edge TTS の音声 ID。日本語では ja-JP-...Neural 形式の対応 ID を指定
OpenAI TTS モデル	tts.openai.model	gpt-4o-mini-tts	接続先が対応するモデル
OpenAI 音声	tts.openai.voice	alloy	下記6プリセットから選択
ElevenLabs 音声	tts.elevenlabs.voice_id	pNInz6obpgDQGcFmaJgB	API 接続に成功するとアカウントの音声一覧から選択。候補はアカウント依存
ElevenLabs モデル	tts.elevenlabs.model_id	eleven_multilingual_v2	ElevenLabs のモデル ID。自由入力のため、利用可能なモデルを確認

OpenAI 音声の全候補

画面表示（主）	保存値（内部）	既定	目安
Alloy	alloy	はい	標準の中立的な音声
Echo	echo	いいえ	echo プリセットを使用
Fable	fable	いいえ	fable プリセットを使用
Onyx	onyx	いいえ	onyx プリセットを使用
Nova	nova	いいえ	nova プリセットを使用
Shimmer	shimmer	いいえ	shimmer プリセットを使用

音色の印象はモデルや API 側の更新で変わり得るため、名前から固定的な性別・声質を断定せず、実際に短文を読み上げて選ぶ。

STT 詳細

画面表示（主）	内部キー（サブ）	製品既定値	推奨
ローカル文字起こしモデル	stt.local.model	base	速度重視 base、精度重視 small 以上
文字起こし言語	stt.local.language	空欄（自動）	日本語固定が必要なら言語コード
ElevenLabs STT モデル	stt.elevenlabs.model_id	scribe_v2	scribe_v2
ElevenLabs 言語	stt.elevenlabs.language_code	空欄（自動）	必要時に ISO-639-3
音声イベントをタグ付け	stt.elevenlabs.tag_audio_events	オフ	会話分析時のみオン
話者分離	stt.elevenlabs.diarize	オフ	複数話者の録音時のみオン

ローカル文字起こしモデルの全候補

画面表示（主）	保存値（内部）	既定	相対的な速度・精度	用途
Tiny	tiny	いいえ	最速・最小、精度は低め	動作確認、低性能端末
Base	base	はい	高速で標準的	短い日常音声
Small	small	いいえ	中程度	日本語精度を少し上げたい場合
Medium	medium	いいえ	低速・高精度	精度優先、十分なメモリがある端末
Large-v3	large-v3	いいえ	最も重い・高精度	品質最優先、強い CPU / GPU

ElevenLabs STT モデルの全候補

画面表示（主）	保存値（内部）	既定	動作
Scribe V2	scribe_v2	はい	新しい Scribe 系モデル
Scribe V1	scribe_v1	いいえ	旧 Scribe モデル。互換性や比較が必要な場合

言語と追加解析

• 文字起こし言語: 空欄では faster-whisper が自動検出する。固定する場合は ja, en などの対応言語コードを入力する。
• ElevenLabs 言語: 空欄では自動検出。固定時は ElevenLabs が受け付ける ISO-639-3 コードを使う。
• 音声イベントをタグ付け オン: 笑い声、拍手など、音声中の非発話イベントを文字起こしへ含める。
• 音声イベントをタグ付け オフ: 発話本文を中心に返す。
• 話者分離 オン: 複数話者を識別した結果を要求する。処理量や出力複雑度が増える。
• 話者分離 オフ: 話者を分けず単一の文字起こしとして扱う。

録音操作

• 音声認識 オン: 受信・録音した音声を選択プロバイダーで自動文字起こしする。
• 音声認識 オフ: 自動文字起こしを行わない。ゲートウェイでは音声ファイル自体が保持・参照される場合がある。
• 応答を読み上げる オン: アシスタントの応答を選択した TTS で自動再生する。
• 応答を読み上げる オフ: 必要なときだけ手動の音声機能を使う。
• 音声ショートカット: ctrl+b のようなキー表記。OS や他アプリのショートカットと競合しない値を使う。
• 最大録音時間: 1回の録音を停止するまでの上限秒数。長くするとファイルサイズと文字起こし時間が増える。

推奨構成

• ローカル・無料重視: STT local + base、TTS edge、自動読み上げオフ。
• 日本語精度重視: STT の言語を固定し、必要に応じて small 以上。
• 会議録: ElevenLabs の話者分離を有効化し、送信先のデータ方針を確認。