コーディングエージェントに喋らせる

バディ・同僚としてのコーディングエージェント

今日の話

• コーディングエージェントにしゃべらせたい、味気ないので
• どうやって発声させるか？の話

TTS (Text To Speech)

発声シーケンス

hook か tool (mcp) か

• hook はコンテキストを圧迫せず、確実に実行されるが、タイミングが限られる
• tool はコンテキストを圧迫し、確実な実行は担保されないが、自由度が高い

reasoning が強く、コンテキスト長の長いモデルは tool (mcp) も良い選択肢になる。
確実に実行させるには hook が良い。

TTS に何を採用するか

選択肢

• ローカル環境で動かす: AivisSpeech / VOICEVOX / Kokoro / COEIROINK
• クラウドサービスを使う: Google Cloud TTS / Whisper / Amazon Polly / ElevenLabs / DeepSeek / ...

メモ

• 音声合成にリアルタイム性は必要はない、テンポよく会話しているわけではないので
• クラウド音声合成は、指定できる音声合成モデル（声質）の範囲が限られることが多い（気がする

声を選ぶ

• Aivis Hub
  • 有志による音声モデルが多数
• VOICEVOX
  • ビルトインのモデルがたくさんある
  • 音声合成モデルの選択肢が多い

キャラごとにライセンスが違うので注意する

ツール: ccpersona

https://github.com/daikw/ccpersona

• Claude Code Hooks を利用し、冒頭1文のみ発話させる仕組み
  • Claude Code Hooks は、フックするコマンドに対して標準入力で特定の JSON オブジェクトを渡す。この中に発話に利用できるテキストが入っている
• brew でインストールできるので便利かも。 Go 実装。
• （Claude Code に全任せで数日で実装。本当は人格と音声をまとめて定義する仕組みにする予定だった。結局音声しか使っていない）

ツール: MCPサーバ

いくつか実装があった。200行程度なので、自分で作ってみてもいいかも。

• https://github.com/Dosugamea/voicevox-mcp-server
• https://github.com/shinshin86/mcp-simple-aivisspeech

僕の環境

• ccpersona + AivisSpeech + 非公式ずんだもん
• tool 定義によるコンテキストの圧迫を嫌った構成だが、結局ずんだ口調でしゃべらせる分のコンテキスト汚染がある。意味ないかも。

Web会議で使う

Mac の場合、 blackhole を使って収集した音声を他のインターフェースと合成して利用することができる

• blackhole をインストール
• デフォルトアプリ Audio MIDI Setup で 機器セット (Aggregate Device) を作成
  • blackhole と、いつも使っているマイクを合成した機器セットに
• Web会議アプリで、作成した機器セットを選択

これは役に立つのか？

いいえ

役に立つ必要があるんですか？

• これ自体が仕事を早く終わらせることはない
• 喋ってくれると楽しいので仕事にハリが出るかも

おわり