WindowsでIrodori-TTSの声を作り、Codexの返答を自動読み上げさせた備忘録

01 / OVERVIEW

声を作り、返答の要点だけを読む

これはCodexの標準機能ではなく、ローカルで組み合わせた独自連携です。2026-08-19に記録した構成と観測をもとにしており、Codexのフック、画面、同梱CLIの配置や操作はバージョンで変わり得ます。

1. TTS要約返答末尾へ短い要約を付ける
2. Stopフック最後のタグを抽出し、対象と重複を確認する
3. 非同期ワーカージョブを受け、ローカルAPIへ渡す
4. 生成と再生WAVを処理して音量を調整し、再生する

時間のかかるモデル推論をStopフック内で待たず、ジョブ登録後は別プロセスへ任せる構成にしました。

02 / IRODORI-TTS

VoiceDesignをループバックで動かす

記録時はWindows、NVIDIA GPU / CUDA 12.8、uv、Irodori-TTS v4系（revision 8224daf）、Aratako/Irodori-TTS-v4.1-Small、gradio_app_voicedesign.pyを使い、127.0.0.1:7861でVoiceDesign UIを起動しました。

uv sync --extra cu128
uv run --no-sync python gradio_app_voicedesign.py --server-name 127.0.0.1 --server-port 7861

uv sync --extra cu128は当時のGPUバックエンド向けの例で、すべての環境に共通するコマンドではありません。外部公開ではなくループバックへ限定する意図で127.0.0.1を使いました。Irodori-TTS公式READMEは2026-09-11に、v4.1-Small、VoiceDesign UI、uvのバックエンド別extraを確認しています。

03 / VOICE DESIGN

説明文と三つの評価文で声を選ぶ

落ち着いた成人女性の声。やや低めで澄んだ音色。知的だが冷たくなく、自然体。親しい相手に少し近い距離感で話す。感情は控えめだが好奇心がにじむ。幼すぎる声、甲高い声、芝居がかった演技は避ける。

今確認できているのはここまで。まだ推測の部分もあるから、次は実際の動作を見て判断しよう。

それ、ちょっと面白いね。どういう条件で変わるのか、もう少し中を見てみたい。

いや待って。それを直すために機能を三つ増やすのは違う。

各文章から選んだWAVを一本ずつ、合計三本を参照音声にしました。採用時のseedと評価文の対応を保存していなかったため、同一候補の再現性には限界が残ります。実際のWAVや固有のファイル名は掲載しません。

04 / SIBILANCE

歯擦音は狭い帯域だけで比較した

約13kHz付近の電子的な歯擦音が気になったため、常時EQではなく、対象帯域が強い瞬間だけを抑える処理を比較しました。

{
  "max_reduction_db": 24.0,
  "low_hz": 12300.0,
  "high_hz": 14500.0,
  "threshold_percentile": 82.0,
  "knee_db": 8.0,
  "detector_ms": 8.0,
  "attack_ms": 0.8,
  "release_ms": 30.0
}

これはこの環境、この生成音声に対する局所的な調整結果です。別の声へそのまま適用する一般的な推奨ではありません。

05 / TTS TAG

詳細な本文と、短い読み上げ要約を分ける

<TTS>重要な結論と次の行動だけを、短い自然な文章で書く。</TTS>

• 一つだけ置く

  返答末尾に一つだけ置き、閉じタグより後ろへ文字を書かない。

• 音声向けに短くする

  Markdown、コード、URL、引用や出典表記を含めず、自然な話し言葉にする。

• 運用例として扱う

  これは記録時のAGENTS.md運用例であり、Codexの将来仕様を断定するものではない。

06 / HOOK & WORKER

Stopフックは登録だけを行い、生成は非同期へ渡す

{
  "hooks": {
    "Stop": [{
      "hooks": [{
        "type": "command",
        "command": "powershell.exe -NoProfile -ExecutionPolicy Bypass -File \"<TTS_PROJECT>\\tools\\codex_tts_hook.ps1\"",
        "timeout": 10,
        "async": true
      }]
    }]
  }
}

1. 読み上げが有効か、cwdが許可リスト内か確認する。
2. 最後の<TTS>だけを抽出し、空なら終了する。
3. 内容からSHA-256のジョブIDを作り、同じジョブを重複実行しない。
4. ローカルのジョブJSONを作り、非表示のPowerShellワーカーを起動する。
5. 失敗はローカルログへ残し、Codexの停止処理を妨げない。

{"continue":true}

ワーカーはhttp://127.0.0.1:7861/gradio_api/infoで起動確認を行い、VoiceDesign呼び出し、生成WAVの保存、歯擦音処理、gain調整、成果物・レポート保存、winsound再生を行います。ジョブはファイルロックで直列化しました。

{
  "scope": {
    "allowed_project_roots": [
      "<PROJECT_ROOT_A>",
      "<PROJECT_ROOT_B>"
    ]
  }
}

グローバルフックでローカルの全Codex作業を無条件に読まないよう、明示的に許可したプロジェクトだけを対象にします。

07 / OBSERVATIONS

実際に詰まった点

• CLIの配置

  codexが見つからず、当時はCodex Desktop同梱の実行ファイルを使いました。記録時の版は0.148.0-alpha.15で、将来の配置は保証されません。

• フックの信頼

  /hooksで内容を確認してから信頼しました。当時の画面で観測した信頼操作のキーTも、将来の操作として断定しません。

• 二重実行

  ユーザー設定とプロジェクト設定へ同じStopフックを置くと二重実行されたため、プロジェクト側の重複を外しました。

• プロセス寿命

  Codexの子プロセスとして起動すると終了時にWeb UIも止まったため、独立したCMDランチャーへ分けました。

08 / GAIN

再生音量は会話で比較して決める

amplitude_ratio = 10^(gain_db / 20)

-20 dBはこの環境で採用した値であり、一般的な推奨ではありません。振幅比と人間が感じる音量も同じ尺度ではありません。

09 / STRUCTURE & SAFETY

構成を分け、安全境界を明示する

<TTS_PROJECT>/
├─ AGENTS.md
├─ tools/
│  ├─ start-irodori-tts.cmd
│  ├─ codex_tts_hook.ps1
│  ├─ codex_tts_worker.ps1
│  ├─ codex_tts_worker.py
│  └─ process_irodori_sibilance.py
└─ voice/
   ├─ AUTOMATION.md
   ├─ automation.json
   ├─ generated/YYYY-MM-DD/
   ├─ runtime/jobs/ and logs/
   └─ voice-profile-v1/
      ├─ profile.json
      ├─ postprocess.json
      └─ reference/selected-reference-wavs...

• TTSサーバーはループバックだけへbindする。
• スクリプトやフックへ認証情報を書かない。
• <TTS>へ個人情報や秘密情報を入れない。
• WAV、ジョブJSON、ログは公開ディレクトリへ置かない。
• フックは内容を確認してから信頼し、声や参照音声の権利・同意を確認する。
• 公開例ではユーザー名、パス、プロジェクト名、音声名、ハッシュを一般化する。

記録時の最終設定

10 / FINAL CHECK

導入時の確認項目

これは閲覧用のチェックリストです。サイト上で操作する項目ではありません。

• Irodori-TTSの現在のREADMEと対応バックエンドを確認する
• uv環境を適切なGPUまたはCPU extraで同期する
• Web UIを127.0.0.1で起動する
• caption、モデル、全生成設定を保存する
• 各候補の文章、seed、採用理由を保存する
• 参照WAVは未加工のまま保持する
• 問題音は印象だけでなく、発生箇所と帯域も確認する
• 後処理は弱い版から比較し、通常文章でも評価する
• AGENTS.mdへTTS要約の書式を追加する
• Stopフックは一か所だけへ登録する
• /hooksでフック内容を確認して信頼する
• Web UIをCodexとは独立して起動する
• 許可プロジェクト以外ではフックが何もしないことを試す
• 同一ジョブの重複防止を確認する
• 初回ロードと通常時の待ち時間を分けて評価する
• 再生音量を実際の会話で調整する
• ログや公開用記事に個人情報・秘密情報がないか確認する

11 / REFERENCES

まとめと参考リンク

声づくりだけでなく、短い要約の形式、Stopフックからの非同期化、Web UIの寿命、重複設定、局所的な後処理、音量、プロジェクト範囲の制御を分けて扱うことで、問題を個別に観測して直せる構成になりました。

公式情報は利用時点で再確認してください。

• Irodori-TTS ↗
• Codex hooks ↗
• AGENTS.md ↗