Voice Proxy

voice-proxy — 合成音声での発言代読

発言内容をテキストで受け取り、本人の声のクローンで読み上げ音声を作って会議に流す skill。 「喋るのが面倒」を「書くだけでよい」に変換する。

前提セットアップ（初回のみ・ユーザ作業）

1. 声のクローン登録: ElevenLabs で自分の声を Voice Clone として登録（Instant Voice Cloning で数分の録音から作れる）
2. 環境変数: ELEVENLABS_API_KEY と ELEVENLABS_VOICE_ID を設定
3. 仮想オーディオデバイス: macOS → BlackHole 2ch / Windows → VB-Cable
4. 会議アプリ側: Zoom / Meet のマイク入力を仮想デバイス（BlackHole 等）に設定

セットアップが未完了なら、まずどこまで済んでいるかをユーザに確認し、不足分の手順を案内する。

ワークフロー

1. 内容を受け取る: 発言したい内容（箇条書き・メモ書きで可）を受け取る
2. 話し言葉に整形:
   • 1 文を短く。書き言葉（「〜である」「〜につきまして」）を会話体に崩す
   • 数字・記号は読み上げ形式に展開（3/15 → 「3 月 15 日」、PR #3177 → 「PR 3177 番」）
3. スクリプト確認: 整形したスクリプトをユーザに見せて OK をもらう（読み上げてしまうと取り消せないため必須）
4. 音声合成:

   curl -sS -X POST "https://api.elevenlabs.io/v1/text-to-speech/${ELEVENLABS_VOICE_ID}" \
     -H "xi-api-key: ${ELEVENLABS_API_KEY}" \
     -H "Content-Type: application/json" \
     -d '{"text": "<スクリプト>", "model_id": "eleven_multilingual_v2"}' \
     -o /tmp/voice-proxy/speech.mp3
   

5. 仮想デバイスへ再生:
   • macOS: ffplay は出力デバイス指定が弱いので、システム出力を BlackHole に切り替えてから afplay /tmp/voice-proxy/speech.mp3（切り替えは SwitchAudioSource -s "BlackHole 2ch"、再生後に元へ戻す）
   • 自分でもモニタしたい場合は Audio MIDI 設定で「複数出力装置」（BlackHole + 内蔵出力）を作ってそちらに切り替える

質疑への対応

リアルタイムの質疑には向かない（本人の判断を偽装しない）。質問が来たら:

• チャットでのテキスト回答に誘導する
• または「持ち帰って後で回答します」の定型音声を流す

代替手段の提案

喋る内容が定型の進捗報告なら、そもそも音声にせず /setup-mtg の事前 Slack 共有に載せる方が軽い。 skill 発動時に内容が「報告のみ・質疑なし」だった場合は、非同期化の選択肢も一度提案すること。