VOICEBOX Agent SKILL v4.0.0
状況分析 → gpt-oss:20bモーラ演出 → VOICEVOX音声生成
役割境界
- •この SKILL.md は技術仕様（入出力・判定基準・実装詳細）の正本。
- •実行手順は同フォルダの WORKFLOW.md を参照。
テキストの感情・場面をLLMが分析し、モーラ単位の演出＋セグメントごとのテンポ・ポーズを自動決定するエージェント。
[!NOTE] v4.0.0: gpt-oss:20bモーラ演出ディレクターを統合。LLMがワード強調・句読点ポーズ・セグメントテンポを文脈ベースで決定。 Layer 0のpitch再計算を無効化（VOICEVOXのpitchカーブを最大限活用）。 Layer 1（base_tuner）はデフォルト無効化。
API仕様
VOICEVOX エンドポイント（localhost:50021）
| エンドポイント | メソッド | 用途 |
|---|---|---|
/audio_query | POST | テキスト→音声クエリJSON生成 |
/accent_phrases | POST | テキスト→アクセント句のみ取得 |
/mora_data | POST | accent修正後のmora pitch再計算 |
/synthesis | POST | クエリJSON→WAV生成 |
/speakers | GET | キャラクター＆スタイル一覧 |
/user_dict_word | POST | ユーザー辞書に単語登録 |
/version | GET | 接続確認 |
audio_query パラメータ
| パラメータ | 型 | 説明 | 推奨範囲 |
|---|---|---|---|
speedScale | float | 話速 | 0.8〜1.3 |
pitchScale | float | 音高 | -0.1〜+0.1 |
intonationScale | float | 抑揚（★最重要） | 0.8〜1.5 |
volumeScale | float | 音量 | 0.8〜1.2 |
prePhonemeLength | float | 先頭無音 | 0.0〜0.5 |
postPhonemeLength | float | 末尾無音 | 0.0〜0.5 |
モーラ単位制御
json
{
"accent_phrases": [
{
"moras": [
{"text": "コ", "pitch": 5.5, "vowel_length": 0.12},
{"text": "ン", "pitch": 5.3, "vowel_length": 0.10}
],
"accent": 1,
"pause_mora": null
}
]
}
- •
moras[].pitch: 各モーラの音高（上下でイントネーション制御） - •
moras[].vowel_length: 母音の長さ - •
accent: アクセント核の位置（1-indexed） - •
pause_mora: ポーズ挿入（vowel_lengthで長さ制御）
4層パイプライン
パイプライン実行順
code
Layer 0: アクセント辞書照合（土台）
→ MeCab+UniDicで正確なaType取得
→ VOICEVOXのaccent値と照合・修正
→ ⚠️ pitch再計算は無効（recalculate_pitch=False）
→ VOICEVOXのpitchカーブは変更しない＝イントネーション自然
↓
Layer M: モーラ演出ディレクター（★v4.0.0追加）
→ gpt-oss:20b（ローカルLLM）にコンテキスト+テキストを送信
→ LLMが以下を決定:
• ワード演出: stretch（母音伸縮）/ pitch_shift / pause_before / pause_after
• 読点（、）ポーズ: セグメントごとの読点ポーズ秒数
• 句点（。）ポーズ: セグメント間の無音秒数
• テンポ: セグメントごとのspeedScale
→ audio_queryのmora.vowel_length / mora.pitch に適用
↓
Layer 1: ベースチューニング（デフォルトOFF）
→ ダウンステップ・デクリネーション・自然ピッチ揺れ
→ ポーズ最適化・文末イントネーション補正
→ ⚠️ Layer M使用時は不要（LLMが同等の制御を実施）
↓
Layer 2: コンテキスト調整（場面・感情適応）
→ グローバルパラメータ（speed/pitch/intonation/volume）
→ ⚠️ speedはLayer Mが決定するため、Mが有効時はスキップ
[!IMPORTANT] v4.0.0推奨フロー: Layer 0 → Layer M のみ。 Layer 1/2はフォールバック用（LLM使用不可時に使用）。
句読点ポーズの正しい分離
code
「、」（読点）→ audio_query内のpause_moraで制御 → セグメント内の全pause_moraはcomma_pause秒に設定 「。」（句点）→ セグメント間の無音WAVで制御 → ffmpegでsilenceを生成しconcatで挿入 → audio_query内にはperiod対応のpause_moraは存在しない
ルールベース状況分析
感情判定ルール
| シグナル | 判定 | 例 |
|---|---|---|
！ が2個以上 | 高テンション | 「すごい！！」 |
？ で終了 | 疑問 | 「本当ですか？」 |
… / 。。。 | ためらい/悲しみ | 「そうか…」 |
| 怒りキーワード | 怒り | 「ふざけるな」「何だと」 |
| 喜びキーワード | 喜び | 「やった」「嬉しい」「最高」 |
| 悲しみキーワード | 悲しみ | 「残念」「辛い」「寂しい」 |
| 短文＋感嘆符 | 叫び | 「逃げろ！」 |
| 長文＋句読点多 | 落ち着き | 説明文 |
テンション判定
| 特徴 | テンション |
|---|---|
| 感嘆符密度 高 | HIGH |
| 文が短い（10文字以下） | HIGH |
| 「〜ね」「〜よ」で終わる | MEDIUM |
| 長文＋句読点多い | LOW |
| 「…」「――」含む | LOW |
文体判定
| パターン | 文体 |
|---|---|
| 「？」終了 | QUESTION |
| 「！」＋命令語 | COMMAND |
| 独白系（「〜か」「〜な」） | MONOLOGUE |
| その他 | STATEMENT |
プリセット定義
| 名前 | speed | pitch | intonation | volume | 用途 |
|---|---|---|---|---|---|
news | 1.0 | 0.0 | 0.9 | 1.0 | ニュース |
youtube | 1.1 | 0.0 | 1.2 | 1.0 | YouTube解説 |
story | 0.9 | 0.0 | 1.3 | 0.95 | 朗読 |
game | 1.2 | 0.05 | 1.5 | 1.1 | ゲーム実況 |
education | 0.85 | 0.0 | 1.0 | 1.0 | 教育 |
conversation | 1.0 | 0.0 | 1.1 | 1.0 | 日常会話 |
Antigravityレビュー基準
Antigravity（自身）は以下の観点でルールベースの判定結果をレビューする:
- •感情と文脈の整合: 台詞の意味に対して感情判定が合っているか
- •パラメータの妥当性: intonationScale等が極端でないか
- •キャラクターとの整合: 指定キャラの性格に合った設定か
- •ピッチブースト対象の適切さ: 強調語の選択が正しいか
[!WARNING] レビューで問題が見つかった場合は、修正理由を明記して再策定する。 最大3回までの修正ループ。それ以上は現状のまま生成。
モーラ演出ディレクター（Layer M）
gpt-oss:20bプロンプト制御
| パラメータ | 範囲 | 説明 |
|---|---|---|
stretch | 0.7-1.8 | 母音伸縮率（1.0=変更なし, 1.3-1.5=優しい強調） |
pitch_shift | -0.2〜+0.2 | ピッチ微調整（控えめに） |
pause_before | 0-0.5s | ワード前の間 |
pause_after | 0-0.5s | ワード後の間 |
comma_pause | 0.2-0.8s | 「、」（読点）ポーズ |
period_pause | 0.5-1.5s | 「。」（句点）ポーズ |
speed | 0.7-1.1 | セグメントテンポ |
注意事項
[!WARNING]
- •READING_FIXESにVOICEVOXが正しく読める単語を入れないこと（例: 旋律→センリツは不要）
- •カタカナ置換はVOICEVOXが読めない単語のみに限定
- •全pause_moraは読点（、）として扱う（句点はセグメント間silence）
物理層スクリプト
| スクリプト | 場所 | 役割 |
|---|---|---|
voicevox_client.py | エージェント/VOICEVOXエージェント/scripts/ | API通信（accent_phrases/mora_data含む） |
accent_verifier.py | 同上 | Layer 0: アクセント辞書照合（pitch再計算OFF） |
mora_director.py | 同上 | Layer M: gpt-oss:20bモーラ演出ディレクター（★v4.0.0追加） |
base_tuner.py | 同上 | Layer 1: ベースチューニング（デフォルトOFF） |
text_preprocessor.py | 同上 | テキスト前処理 |
situation_analyzer.py | 同上 | ルールベース状況分析（フォールバック用） |
adjustment_planner.py | 同上 | Layer 2: 調整プラン策定（フォールバック用） |
presets.py | 同上 | プリセット管理 |
voicevox_agent.py | 同上 | CLIエントリポイント |
ログ記録（WorkflowLogger統合）
[!IMPORTANT] 実行時は必ずWorkflowLoggerで各フェーズをログ記録すること。 詳細: WORKFLOW_LOGGING.md
ログ保存先: _logs/autonomy/voicebox/{YYYYMMDD}/