音声

音声会話のモード、音声入力（STT）、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。

表示値は環境依存の例。

「適用対象」チップ（プロファイルが 2 つ以上あるとき）

プロファイルを 2 つ以上作成していると、画面上部に「適用対象」という見出しとプロファイル名のチップ列が表示される。チップを選ぶと「このページの変更は「◯◯」プロファイルに適用されます。」と表示され、この画面の編集がそのプロファイルの config.yaml に書き込まれる。選択は設定画面の他のページへ移動しても保持される。プロファイルが 1 つだけの環境では表示されない。

3 つの子項目に共通の案内行「音声録音ショートカット」

音声画面のどの子項目でも、先頭に「「設定 → キーボードショートカット」で音声録音ショートカット（「Start / stop voice conversation」）を設定します。voice.record_key は CLI と TUI 専用です。」という案内行が出る。デスクトップの録音ショートカットは音声画面ではなく、キーボードショートカットの子項目「キー割り当て」で設定する（案内文の「キーボードショートカット」は画面名で、子項目名は「キー割り当て」）。既定は ⌃B。

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 24 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 のモデル欄（OpenAI / Groq / Mistral / xAI / DeepInfra）と ElevenLabs TTS モデルも自由入力になっている。閉じた選択リストのままなのは、ローカル文字起こしモデル、ElevenLabs STT モデル、OpenAI Live Transcription Model、NeuTTS デバイス。

音声画面はサイドバーの子項目として次の 3 つに分かれている。画面を開くと先頭の「音声会話」が表示される。

子項目	主な項目
音声会話	Voice Chat Mode、GPT-Live Voice、GPT-Live Persona、最大録音時間、Client Direct
音声認識	音声認識、Echo Transcripts、音声認識プロバイダー、Live Transcription、プロバイダー別のモデル・言語
音声合成	音声合成プロバイダー、応答を読み上げる、プロバイダー別のモデル・音声

この画面で新しく加わった項目の多くは、日本語リソース未整備のため日本語 UI でも英語のラベル・説明文で表示される。

音声会話

画面表示（主）	内部キー（サブ）	製品既定値	推奨
Voice Chat Mode（英語表示）	voice.voice_chat_mode	chained	通常は chained
GPT-Live Voice（英語表示）	voice.gpt_live.voice	marin	好みで
GPT-Live Persona（英語表示）	voice.gpt_live.instructions	空欄（表示は「未設定」）	必要なときだけ記入
最大録音時間	voice.max_recording_seconds	120 秒	60～120秒
Client Direct（英語表示）	voice.client_direct	オン	通常オンのまま

音声会話モード（Voice Chat Mode）

デスクトップの音声会話をどう組み立てるかを選ぶ。説明文は英語表示。

画面表示（主）	保存値（内部）	既定	動作
Chained	chained	はい	音声認識 → Hermes → 音声合成の順につなぐ。下の「音声認識」「音声合成」で選んだプロバイダーを使う
Gpt-Live	gpt-live	いいえ	OpenAI の全二重音声モデル gpt-live-1 が聞き取りと発話を担い、実際の依頼はすべて Hermes へ渡す。応答は選択中のモデルがツール込みで返す

• gpt-live には OpenAI の API キーが必要。説明文によると、音声層は 1 分あたり $0.05 が課金される（2026-10-15 時点の画面表示。料金は OpenAI 側で変わり得る）。
• gpt-live が使えない状態で音声会話を始めると、「GPT-Live voice chat is not available: …. Using speech-to-text instead.」と表示され（英語表示）、音声認識による方式に切り替わる。

GPT-Live の声とペルソナ

• GPT-Live Voice（voice.gpt_live.voice）: gpt-live モードで使う声。自由入力のコンボボックスで、候補は marin（既定）、cedar、quartz、ripple、vesper、willow、stone、gleam、meridian、bossa、tempo、beacon、delta、cinder の 14 種。候補にない声の ID も入力できる。
• GPT-Live Persona（voice.gpt_live.instructions）: ライブ音声の話し方（口調・速さ・言語など）に足す指示文。空欄が既定。Hermes 本体のシステムプロンプトはそのまま使われる。日本語で話させたい場合は「日本語で、落ち着いた口調で話す」のように書く。
• どちらも chained モードでは使われない。

Client Direct

「音声会話」の最下段にあるトグル。ラベルに日本語訳がなく説明文も無いため、日本語 UI でも英語の「Client Direct」とだけ表示される。オンのとき、デスクトップのリモートクライアントは、音声セッション開始時に認証済みの REST 経由でプロバイダーの設定とキーを受け取り、選択中の STT / TTS プロバイダーへ直接音声を送受信する（ゲートウェイを経由しない最短経路）。対応する経路は OpenAI 互換の文字起こし・読み上げ、xAI の文字起こし、ElevenLabs の文字起こし・読み上げ。ローカル whisper、Edge TTS、コマンド型やプラグインのプロバイダーなど、ゲートウェイ側でしか動かないものは自動的に従来どおりのリレー経路になる。オフにすると、すべてのプロバイダーで常にゲートウェイ経由のリレーになる。

録音ショートカット

デスクトップの録音開始・停止のキーは、この画面ではなく キーボードショートカット > キー割り当ての「Start / stop voice conversation」（既定 ⌃B）で変更する。config.yaml の voice.record_key（既定 ctrl+b）は CLI と TUI だけが使う。

音声認識

画面表示（主）	内部キー（サブ）	製品既定値	推奨
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	未設定（自動検出。ローカルを優先）	プライバシー重視は local を明示
Live Transcription（英語表示）	stt.streaming	オフ	話しながら文字を見たいならオン

音声認識プロバイダーの既定は「未設定」

製品既定設定には stt.provider キーが含まれない。保存された stt.provider は「ユーザーが明示的に選んだ値」として扱われるため、初期状態と区別できるように既定値を持たせていない。未設定のときは自動検出が働き、ローカルの faster-whisper が優先される。画面のドロップダウンで一度でも選ぶと、その値が明示的な選択として config.yaml に保存される。

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。

Live Transcription

説明文は「Show text while you speak (OpenAI, xAI, ElevenLabs). Falls back to the recording on any failure.」（英語表示）。オンにすると、話している最中から文字起こしが表示される。既定はオフ。

• 対応するのは音声認識プロバイダーが OpenAI / xAI / ElevenLabs のとき。OpenAI では「OpenAI Live Transcription Model」（既定 gpt-live-transcribe）が使われる。
• ライブ文字起こしが失敗した場合は、録音した音声を通常どおり文字起こしする方式へ自動で戻る。

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
Deepinfra	deepinfra	いいえ	DeepInfra の音声文字起こし。モデルは DeepInfra のカタログから選ぶ	DeepInfra の API 認証

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。

音声認識のプロバイダー別の欄

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	自由入力。候補 whisper-1 / gpt-4o-mini-transcribe / gpt-4o-transcribe / gpt-transcribe
OpenAI Live Transcription Model（英語表示）	stt.openai.streaming_model	gpt-live-transcribe	Live Transcription 用。候補 gpt-live-transcribe / gpt-transcribe / gpt-4o-transcribe / gpt-4o-mini-transcribe から選択
Groq STT モデル	stt.groq.model	whisper-large-v3-turbo	自由入力。候補 whisper-large-v3-turbo / whisper-large-v3
Mistral STT モデル	stt.mistral.model	voxtral-mini-latest	自由入力。候補 voxtral-mini-latest / voxtral-mini-2602
xAI STT Model（英語表示）	stt.xai.model	空欄（grok-voice-transcribe-2.0 を使う）	自由入力。候補 grok-voice-transcribe-2.0 / grok-voice-transcribe-1.0
DeepInfra STT Model（英語表示）	stt.deepinfra.model	空欄（DeepInfra のライブカタログで最初に見つかる文字起こしモデル）	自由入力
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
Turbo	turbo	いいえ	large-v3 を軽量化した高速版	高い精度を保ちつつ速度も欲しい場合

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。

音声合成

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
応答を読み上げる	voice.auto_tts	オフ	通常オフ

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。

音声合成のプロバイダー別の欄

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	自由入力。候補 7 種 eleven_v3 / eleven_ttv_v3 / eleven_multilingual_v2 / eleven_turbo_v2 / eleven_turbo_v2_5 / eleven_flash_v2 / 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

音声のサジェストは 「OpenAI TTS モデル」で選んだモデルに応じて絞り込まれる。tts-1 / tts-1-hd を選ぶと候補は 9 音声になる（残る 4 音声は gpt-4o-mini-tts 専用のため）。実際に選べる音声はモデルを選び直した後のサジェストを正とする。

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

英語で表示される説明文

DeepInfra の 2 欄（DeepInfra TTS Model / DeepInfra Voice）はラベルも英語表示。xAI の詳細欄（言語・再生速度・自動音声タグ・ストリーミング遅延最適化・サンプルレート・ビットレート・音声 ID）と NeuTTS デバイスは、ラベルは日本語でも説明文が英語で表示される。いずれも日本語リソース未整備のため。

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

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。
• 録音ショートカット: デスクトップでは キーボードショートカット > キー割り当てで変更する。OS や他アプリのショートカットと競合しないキーを使う。
• 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。

画面に入力欄が無い設定値

音声まわりには、設定画面に入力欄がなく config.yaml でだけ設定できるキーがある。

日本語で音声入力するなら stt.language を確認する

stt.language は STT のグローバル既定言語で、既定は en。日本語で音声入力する運用では変更が要る（例: stt.language: ja）。プロバイダー別の言語欄（stt.local.language、stt.elevenlabs.language_code）とは別のグローバル既定。

設定キー	既定	内容
stt.language	en	STT のグローバル既定言語
voice.submit_mode	direct	TUI で文字起こし後の扱い。direct は即送信、draft は編集できる下書きとして入力欄に残す。値はこの 2 つだけで、他の文字列は設定読み込み時にエラーになる
stt.cloud_trim_silence	オン	アップロード前にクライアント側で無音をトリムする。送信時間・課金・幻覚（無音部分の誤認識）を減らす
voice.barge_in	オン	ユーザーが話し始めると、読み上げとエージェントを割り込み停止する
voice.barge_in_grace_seconds	0.5 秒	再生直後の誤トリガーを抑える猶予時間
voice.stop_phrases	['stop']	完全一致したら音声チャットを終了するフレーズ
voice.thinking_sound	オン	音声チャット中に思考音を鳴らす
voice.beep_volume	0.3	ビープ音の音量
voice.record_key	ctrl+b	CLI と TUI の録音キー。デスクトップはキーボードショートカット画面で設定する

ウェイクワード（wake_word）

ハンズフリーで音声チャットを始めるためのウェイクワード検出。既定はオフ。検出は端末内で完結し、音声が機器の外へ出ることはない。

設定キー	既定	内容
wake_word.provider	auto	検出エンジン。下表の 4 種
wake_word.phrase	hey hermes	検出するフレーズ
wake_word.sensitivity	0.6	検出感度。上げると反応しやすく、誤検出も増える

provider の値	費用	特徴
auto	─	既定。openwakeword → sherpa → porcupine の順に、使えるエンジンを自動で選ぶ
openwakeword	無料	ローカル実行
sherpa	無料	任意のフレーズを使える。訓練は不要
porcupine	有料	API キーが必要

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。