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。

画面の挙動 ─ 選択中プロバイダーのサブ欄のみ表示

プロバイダー別のサブ設定欄は、選択中のプロバイダーの分だけ表示される。音声認識をオフにすると STT のサブ設定欄も非表示になる。

音声・モデル名欄の入力方式

音声・モデル名の 17 欄は自由入力コンボボックス。既知の候補はサジェストとして表示され、候補にない ID（ElevenLabs のクローン音声、xAI のカスタム音声、Edge の 400 種超のカタログ音声など）も直接入力できる。STT 側のモデル欄と ElevenLabs モデル・NeuTTS デバイスは、閉じた選択リストのまま。

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
Echo Transcripts（英語表示）	stt.echo_transcripts	オン	トランスクリプトの投稿が不要ならオフ
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

Echo Transcripts

ゲートウェイ経由の音声メッセージを文字起こしした際、生のトランスクリプトを 🎙️ 付きメッセージとしてチャットへ投稿し返す設定。日本語ラベルが未翻訳のため、日本語 UI でも英語の「Echo Transcripts」と表示される。オフにしてもエージェントへの文字起こし自体は維持され、ユーザー向けのエコー投稿だけが止まる。プロバイダー別の欄と違い、この欄は常時表示される。

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
Xai	xai	いいえ	xAI (Grok) の音声合成。再生速度など詳細 5 欄がある	xAI の API 認証（要実機確認）
Minimax	minimax	いいえ	MiniMax の音声合成。モデル・音声の専用欄がある	MiniMax の API 認証（要実機確認）
Mistral	mistral	いいえ	Mistral の音声合成	Mistral の API 認証（要実機確認）
Gemini	gemini	いいえ	Google Gemini の音声合成	Gemini の API 認証（要実機確認）
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
Kittentts	kittentts	いいえ	KittenTTS による音声合成（軽量ローカル TTS）。モデル・音声の専用欄がある	ローカル実行
Piper	piper	いいえ	Piper による音声合成。音声モデルを tts.piper.voice で指定	ローカル実行（音声モデル、例 en_US-lessac-medium）

DeepInfra TTS はドロップダウンに表示されない

バックエンドは deepinfra を組み込み TTS プロバイダーとして解決するが、Desktop の「音声合成プロバイダー」ドロップダウンの候補リストには意図的に含まれていない。使う場合は config.yaml で tts.provider: deepinfra を直接指定する。指定済みなら現在値として選択状態が維持され、DeepInfra の 2 欄（下記「プロバイダー別サブキー」参照）が表示される。

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
Mistral	mistral	いいえ	Mistral の音声文字起こし API	Mistral の API 認証（MISTRAL_API_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

上級者向け ─ TTS / STT プロバイダーを config で自作できる

config.yaml の tts.providers.<名前> / stt.providers.<名前> に command を持つブロックを定義すると、設定画面ではその名前がプロバイダードロップダウンの候補に加わる（ユーザー定義コマンドプロバイダー）。type: command は省略可能で、command に空でない文字列が必須。組み込みプロバイダー名（edge など）と同名の定義は無視される。後方互換として tts.<名前> 直下のトップレベル定義も解決される。

TTS 詳細

以下のサブ設定欄は、tts.provider で選択中のプロバイダーの分だけが表示される。

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	自由入力。候補 6 種（en-US-Aria/Jenny/Andrew/Brian/GuyNeural、en-GB-SoniaNeural）をサジェスト。フルカタログは 400 種超で、日本語は ja-JP-...Neural 形式の対応 ID を直接入力
OpenAI TTS モデル	tts.openai.model	gpt-4o-mini-tts	自由入力。候補 gpt-4o-mini-tts / tts-1 / tts-1-hd をサジェスト
OpenAI 音声	tts.openai.voice	alloy	自由入力。既定候補 13 種（下記）
ElevenLabs 音声	tts.elevenlabs.voice_id	pNInz6obpgDQGcFmaJgB	自由入力。API 接続に成功するとアカウントの音声一覧（クローン音声含む）が候補に表示される。候補にない音声 ID も直接入力できる
ElevenLabs モデル	tts.elevenlabs.model_id	eleven_multilingual_v2	閉じた選択リスト。候補 eleven_multilingual_v2 / eleven_turbo_v2_5 / eleven_flash_v2_5

OpenAI 音声の既定候補

既定候補は 13 種（gpt-4o-mini-tts 世代）。

alloy（既定）、ash、ballad、cedar、coral、echo、fable、marin、nova、onyx、sage、shimmer、verse

tts-1 / tts-1-hd 世代が対応するのは alloy / echo / fable / onyx / nova / shimmer の 6 種まで。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。

プロバイダー別サブキーの全一覧

表示されるのは選択中プロバイダーの欄のみ。

画面表示（主）	内部キー（サブ）	製品既定値	入力・動作
xAI (Grok) 音声	tts.xai.voice_id	eve	自由入力。xAI の音声 ID またはカスタム音声 ID
xAI 言語	tts.xai.language	en	BCP-47 の言語コード（例 en、pt-BR）または auto
再生速度	tts.xai.speed	1.0	0.7～1.5。0.7 で遅く、1.5 で速く
自動音声タグ	tts.xai.auto_speech_tags	オフ	LLM による書き換えで [laughing] 等の表現タグを合成前のスクリプトへ挿入
ストリーミング遅延最適化	tts.xai.optimize_streaming_latency	0	0～2。0 は品質優先、2 は低遅延優先
サンプルレート	tts.xai.sample_rate	24000	Hz 単位（22050 / 24000 / 44100 / 48000）
ビットレート	tts.xai.bit_rate	128000	MP3 のビットレート（bps）。コーデックが mp3 のときのみ適用
MiniMax TTS モデル	tts.minimax.model	speech-02-hd	自由入力。候補 speech-02-hd / speech-02-turbo
MiniMax 音声	tts.minimax.voice_id	English_expressive_narrator	自由入力（候補サジェストなし）
Mistral TTS モデル	tts.mistral.model	voxtral-mini-tts-2603	自由入力
Mistral 音声	tts.mistral.voice_id	c69964a6-ab8b-…（音声 UUID、Paul - Neutral）	自由入力（候補サジェストなし）
Gemini TTS モデル	tts.gemini.model	gemini-2.5-flash-preview-tts	自由入力。候補 gemini-2.5-flash-preview-tts / gemini-2.5-pro-preview-tts
Gemini 音声	tts.gemini.voice	Kore	自由入力。既定候補 30 種（下記）
NeuTTS モデル	tts.neutts.model	neuphonic/neutts-air-q4-gguf	自由入力。候補は q4-gguf / q8-gguf / 無印の 3 種
NeuTTS デバイス	tts.neutts.device	cpu	閉じた選択リスト。cpu / cuda / mps
KittenTTS モデル	tts.kittentts.model	KittenML/kitten-tts-nano-0.8-int8	自由入力。候補は nano（25MB）/ micro（41MB）/ mini（80MB）の 3 種
KittenTTS 音声	tts.kittentts.voice	Jasper	自由入力。候補 Jasper
Piper 音声	tts.piper.voice	en_US-lessac-medium	自由入力。候補 en_US-lessac-medium / en_US-amy-medium / en_US-ryan-high / en_GB-alan-medium
DeepInfra TTS Model（英語表示）	tts.deepinfra.model	空欄	自由入力。空欄では DeepInfra のライブカタログで最初に見つかる TTS タグ付きモデルを使う
DeepInfra Voice（英語表示）	tts.deepinfra.voice	default	自由入力

DeepInfra の 2 欄は英語表示

DeepInfra の 2 欄（DeepInfra TTS Model / DeepInfra Voice）は、日本語ラベルが未翻訳のため日本語 UI でも英語で表示される。

Gemini 音声の既定候補（30種）

Zephyr、Puck、Charon、Kore（既定）、Fenrir、Leda、Orus、Aoede、Callirrhoe、Autonoe、Enceladus、Iapetus、Umbriel、Algieba、Despina、Erinome、Algenib、Rasalgethi、Laomedeia、Achernar、Alnilam、Schedar、Gacrux、Pulcherrima、Achird、Zubenelgenubi、Vindemiatrix、Sadachbia、Sadaltager、Sulafat

STT 詳細

以下のサブ設定欄は、stt.provider で選択中のプロバイダーの分だけが表示される。音声認識をオフにすると全サブ欄が非表示になる。

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
OpenAI STT モデル	stt.openai.model	whisper-1	候補 whisper-1 / gpt-4o-mini-transcribe / gpt-4o-transcribe から選択
Mistral STT モデル	stt.mistral.model	voxtral-mini-latest	候補 voxtral-mini-latest / voxtral-mini-2602 から選択
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

Groq STT のモデル欄

画面定義には stt.groq.model（日本語ラベル「Groq STT モデル」）があるが、製品既定設定に stt.groq ブロックが存在しないため、config.yaml に値を書いていない既定状態ではこの欄は表示されない。値を設定済みの環境でのみ、Groq 選択時に欄が現れる。

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。
• Echo Transcripts オン: ゲートウェイ経由の音声メッセージを文字起こしした際、生のトランスクリプトを 🎙️ 付きメッセージとしてチャットへ投稿し返す。
• Echo Transcripts オフ: エージェントへの文字起こしは維持したまま、チャットへのエコー投稿だけを止める。
• 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。