Discord Bot に音声読み上げを実装した話——AivisSpeech + FFmpeg で詰まった3つのポイント

最終更新: 2026-04-28

そもそもなぜ音声にしたのか

ターミナルで別の作業をしていると、Discord のテキスト通知は完全に視界の外に落ちる。launchd で回しているパイプラインが夜中に「note 投稿失敗」を吐いていても、翌朝まで気づかない。先月だけでそれが3回あった。

声で来ればさすがに気づく。ローカルで動く TTS を探した結果、AivisSpeech が一番シンプルだった。無料、ローカル完結、REST API が2エンドポイントだけ——選んだ基準はそれだけ。dmg を落として起動するだけでポート 10101 に API が生えるので、セットアップは5分かからなかった。声質はデフォルトだと少しロボット感があるが、速度と抑揚をパラメータで調整すれば許容できる範囲に収まる。

そういう経緯で bot.py に音声読み上げを突っ込むことにした。

---

構成の全体像

[Discord Bot] → !voice コマンド or 自然言語
     ↓
AivisSpeech API (localhost:10101)
     ↓ WAV
FFmpeg で PCM に変換
     ↓
discord.py FFmpegPCMAudio → VC 送信

依存は3つ。discord.py（voice オプション付き）、ffmpeg、AivisSpeech のローカルサーバー。

pip install "discord.py[voice]"
brew install ffmpeg

AivisSpeech は起動しておくだけでいい。ただし、Bot 起動直後に叩くと 503 が返ることがある——AivisSpeech のロードが数秒かかるためで、後述のチェック関数でその辺は吸収している。

---

AivisSpeech で音声を生成する

まず TTS だけ単独で動かして確認した。audio_query でテキスト解析、synthesis で WAV bytes を受け取る、2ステップの構成。

import requests

def synthesize(text: str, speaker_id: int = 888753760) -> bytes:
    query_res = requests.post(
        "http://localhost:10101/audio_query",
        params={"text": text, "speaker": speaker_id}
    )
    query = query_res.json()

    synth_res = requests.post(
        "http://localhost:10101/synthesis",
        params={"speaker": speaker_id},
        json=query
    )
    return synth_res.content  # WAV bytes

最初に speaker_id=0 を指定した。WAV は返ってくる。無音。30分、コードを見直し続けて、最終的に GET /speakers を叩いて気づいた——speaker_id は 0 が有効とは限らない。

curl http://localhost:10101/speakers | python3 -m json.tool | grep '"id"'

私の環境では 888753760 が最初に来た。環境によって違うので必ず確認すること。無音ファイルを生成しながら30分を溶かした経験から言っている。

---

VC への接続と音声送信——ここで詰まった

voice_client を掴む部分

@bot.command()
async def voice(ctx, *, text: str):
    if ctx.author.voice is None:
        await ctx.send("VC に入ってから呼んでください")
        return

    channel = ctx.author.voice.channel
    vc = ctx.guild.voice_client

    if vc is None:
        vc = await channel.connect()
    elif vc.channel != channel:
        await vc.move_to(channel)

ここは素直に動いた。問題はこの後。

BytesIO に包んでも駄目だった

AivisSpeech から返ってくる WAV bytes を直接 FFmpegPCMAudio に渡したら「ファイルパスかファイルオブジェクトが必要」と怒られた。なら io.BytesIO で包めばいいだろうと試したら、それも受け付けなかった。FFmpegPCMAudio は BytesIO を受け取れない——ドキュメントに書いてあるにはあるが、見落としやすい場所にある。

一時ファイルに書き出す方法が現状一番確実だった。

import tempfile
import os

async def play_voice(vc, text: str):
    wav_bytes = synthesize(text)

    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        f.write(wav_bytes)
        tmp_path = f.name

    try:
        source = discord.FFmpegPCMAudio(tmp_path)
        vc.play(source, after=lambda e: os.unlink(tmp_path) if e is None else None)
    except Exception as e:
        os.unlink(tmp_path)
        raise e

after コールバックで再生完了後に一時ファイルを消している。これを忘れると /tmp 以下に WAV が溜まっていく。launchd で常駐させていると気づかぬうちにディスクを圧迫するので、必ず入れる。

libopus で2時間溶かした

次に出たエラーがこれ。

discord.errors.ClientException: opus shared library is not found.

「ffmpeg が見つからない」ならわかる。でもメッセージは ffmpeg ではなく opus の話だった。brew install opus はすでにしていた。それでも「not found」。

原因は DYLD_LIBRARY_PATH だった。/opt/homebrew/lib に libopus.dylib はあるのに、launchd で起動したプロセスにはそのパスが通っていない。ターミナルから直接 python を起動すると動く、launchd 経由だと opus not found——この差に気づくまで2時間かかった。エラーメッセージが opus なのに ffmpeg の再インストールを試み続けていたのが敗因。

plist の EnvironmentVariables に明示的に書くことで解決した。

<key>EnvironmentVariables</key>
<dict>
    <key>DYLD_LIBRARY_PATH</key>
    <string>/opt/homebrew/lib</string>
</dict>

---

AivisSpeech が落ちているときの処理

本番で一度、AivisSpeech が落ちた状態で !voice を叩いて Bot ごとクラッシュした。起動チェックをサボっていた代償。

def is_aivisspeech_running() -> bool:
    try:
        r = requests.get("http://localhost:10101/version", timeout=1)
        return r.status_code == 200
    except Exception:
        return False

timeout=1 にしているのは理由がある。AivisSpeech が完全に死んでいるとき、タイムアウトなしの requests は数十秒待ち続ける。1秒で切ることで Bot の応答がもたつかない。このチェックをコマンドの先頭に挟んで、落ちていたらテキスト通知に降格させて終了する。

@bot.command()
async def voice(ctx, *, text: str):
    if not is_aivisspeech_running():
        await ctx.send(f"[音声不可] {text}")
        return
    # ... VC接続・再生処理

---

launchd で常時起動させる

既存の com.taito.discord-bot.plist に2行追加するだけ。

<key>KeepAlive</key>
<true/>
<key>StandardErrorPath</key>
<string>/path/to/logs/discord_bot.log</string>

AivisSpeech 自体は launchd で管理していない。Mac アプリとして常駐させている。Bot より先に AivisSpeech が起動する保証がないので、Bot 側で is_aivisspeech_running() を毎回チェックする設計にしている。起動順の問題を「チェック関数で逃げる」のは正直なところ応急処置に近い。もう少し使い続けたら launchd に移行するか検討する。

---

実際に動かして気づいたこと

デフォルトの読み上げ速度が速い。普通に聞いていると巻き舌のアナウンサーみたいな感じで、内容が頭に入ってこない。audio_query のレスポンスに speedScale と intonationScale があるので、合成前に書き換える。

query["speedScale"] = 0.9
query["intonationScale"] = 1.1  # 抑揚は少し上げる

0.9 でちょうどよかった。0.8 まで落とすと間延びして逆に聞きづらくなった。

もう一つ。長い文章を渡すと合成に時間がかかる。100字を超えるテキストは synthesis の応答が3〜5秒かかることがあって、その間に VC 接続がタイムアウトするケースがあった。今は「通知用途なので100字以内に収める」という運用で対処している。文章を分割して連続再生する実装は後回し——そこまで凝った使い方はまだしていない。

使い始めると、「note 投稿完了」「エラー発生: syntax error line 42」みたいな通知が声で来るのは地味に便利だった。作業が途切れない。続けて使いながら直していく。✨

---

まとめ

AivisSpeech + FFmpeg + discord.py の組み合わせは、ローカル TTS を Discord VC に流す今のところ最短ルートだと思っている。

詰まる場所は3つ。speaker_id は 0 ではなく GET /speakers で確認すること、WAV bytes は BytesIO ではなく一時ファイル経由で渡すこと、launchd 起動時に DYLD_LIBRARY_PATH=/opt/homebrew/lib を明示すること。この記事を先に読んでいれば、私が溶かした3時間は取り戻せる。

---

---

関連記事

• Playwright Mac 入門 2026——ブラウザ自動化を最速で動かすセットアップ
• 個人ブログを毎日自動投稿する仕組みを全部Pythonで組んだ話
• WordPressにPythonで自動投稿した話——REST APIの詰まりポイント全部まとめ