OpenClawでローカルText-to-Speech
OpenClawで毎朝ワールドニュースを収集・まとめさせたレポートを読むようにしているが、聴くだけで済ませられるようレポートを読み上げた合成音声を生成するために最新の各種Text-to-Speechモデルを試してみた。しかし、結局のところMacOSが標準装備しているsayコマンドで音声合成するのが簡単かつ確実だった。外部サービスで音声合成する方法もあるが、データを外部に出さずにローカル機器内で処理したいので、まずは最新の各種TTSモデルをローカル稼働させて音声合成を試してみた。その中でもQwen3-TTSは小型ながら短いテキストであれば高速に自然な日本語が合成できたが、少し長文になると途中から中国語と思われる発音が増えてきたり、場合によってはとても聞き取りづらい変な発声になることがあった。ではOSの機能を用いてできないか調べてたところ、MacOSに標準搭載されているsayコマンドで安定した品質で高速にテキスト読み上げ音声ファイルの生成ができた。出力は様々な音声ファイル形式に対応しているが、低ビットレート対応のHE-AAC v2のMP4形式なら例として次のように実行せよとOpenClawに指示すれば良い。say -f ~/Desktop/sample_report.txt -o ~/Desktop/sample_report.mp4 --file-format=mp4f --data-format=aach処理時間は現行の3世代前のM2チップでも再生時間の1/7程で済んだ。-v で声を指定すると古い音声合成方式となり品質が低くなってしまったが、指定しなければシステム設定の「システムの声」が用いられるようで、ここでSiriの声を設定しておけば高品質で音声合成をしてくれた。Siriの声には3種類あり、このうち「声1」と「声2」が高品質だった。
