自分のアプリから、この読み上げを使う

アプリを開くと、パソコンの中に OpenAI 互換の読み上げ API が立ちます。Python の知識は要りません。

このアプリの目的

Aratako 氏の音声合成 Irodori-TTS は、日本語の声を参照音声とキャプション（演技指示）から作れる、とてもよくできたモデルです。ただ、そのまま使うには Python や CUDA の準備が要り、配信ソフトの利用者には敷居が高いものでした。

このアプリは、その敷居を無くすためのものです。インストールして開くだけで、Irodori-TTS がパソコンの中で動き、配信ソフト 読み分けちゃん2 から読み上げに使えます。そして同じ口を、ほかのアプリからも使えるように開けてあります。

Irodori-TTS の開発趣旨（MIT ライセンスと Ethical Restrictions）に沿って使う方には、機能を開放します。 読み分けちゃん2 だけのための口ではありません。自分のツール・ゲーム・配信の仕掛けから、どうぞ呼んでください。

このアプリは非公式です。Aratako 氏とは関係がありません。API についての質問や不具合は、Aratako 氏ではなく X の @yomiwakechan へお願いします。

しくみ

アプリを開くと、http://127.0.0.1:18088 に HTTP の口が立ちます。アプリを閉じると止まります。 あなたのアプリは、利用者にこのアプリを開いておいてもらうだけで済みます（自分で IrodoriTtsYwk.Launcher.exe を起動してもかまいません。窓が出たまま残ります）。
宛先は必ず 127.0.0.1 にしてください。localhost だと IPv6 を先に試す分、毎回 1〜2 秒遅くなります。
API キーは要りません。パソコンの外からは届かない作り（ループバック限定）なので、鍵を持ちません。Authorization ヘッダを付けても無視されます。
もとになった Irodori-TTS-Server の OpenAI 互換 API を、そのまま通しています。加えて、間違った指定を黙って通さないための検査と、「いま何で動いているか」を返す口を足してあります。
ブラウザで開いた別のページから直接 fetch することは、いまはできません（CORS のヘッダを返しません）。ネイティブのアプリやスクリプトから呼んでください。
RTX（CUDA）版でも Radeon（ROCm）版でも、API はまったく同じです。

最短の例

本文を送ると、wav（48 kHz・モノラル）が返ります。

curl

curl -X POST http://127.0.0.1:18088/v1/audio/speech ^
  -H "Content-Type: application/json" ^
  -d "{\"model\":\"irodori-tts\",\"input\":\"こんにちは。\",\"voice\":\"デフォルト\",\"response_format\":\"wav\"}" ^
  -o out.wav

PowerShell

$body = @{
  model = "irodori-tts"; input = "こんにちは。"; voice = "デフォルト"; response_format = "wav"
  irodori = @{ caption = "明るく"; num_steps = 40 }
} | ConvertTo-Json
Invoke-WebRequest -Uri "http://127.0.0.1:18088/v1/audio/speech" -Method Post `
  -ContentType "application/json; charset=utf-8" -Body ([Text.Encoding]::UTF8.GetBytes($body)) `
  -OutFile out.wav

Python（標準ライブラリだけ）

import json, urllib.request

body = {"model": "irodori-tts", "input": "こんにちは。", "voice": "デフォルト",
        "response_format": "wav", "irodori": {"caption": "明るく", "num_steps": 40}}
req = urllib.request.Request(
    "http://127.0.0.1:18088/v1/audio/speech",
    data=json.dumps(body, ensure_ascii=False).encode("utf-8"),
    headers={"Content-Type": "application/json"})
with urllib.request.urlopen(req, timeout=120) as res, open("out.wav", "wb") as f:
    f.write(res.read())

C#

using var http = new HttpClient { BaseAddress = new Uri("http://127.0.0.1:18088/") };
var json = """{"model":"irodori-tts","input":"こんにちは。","voice":"デフォルト","response_format":"wav"}""";
using var res = await http.PostAsync("v1/audio/speech",
    new StringContent(json, Encoding.UTF8, "application/json"));
res.EnsureSuccessStatusCode();
await File.WriteAllBytesAsync("out.wav", await res.Content.ReadAsByteArrayAsync());

OpenAI の公式クライアントも使えます。base_url を http://127.0.0.1:18088/v1 に向け、api_key は何でもよく、 model="irodori-tts"・response_format="wav" を必ず指定してください（既定の mp3 は 400 になります）。

口の一覧

口	何をするか
`GET /health`	生きているか。モデルを読み込む前でも 200 を返します（下の「作法」を参照）。
`GET /ywk/status`	このアプリの版・読み込みの状態（`runtime.loaded`）・実際に動いている GPU（`device`）・声の数・いま走っている合成の数（`requests.in_flight`）・GPU メモリ。このアプリかどうかは、この口が 200 を返すかで見分けます（もとの Irodori-TTS-Server には無い口です）。
`GET /params`	指定できる全パラメータの一覧＝既定値・範囲・型・説明。固定表を持たず、これを読んで組んでください。モデルを読み込む前でも 200 です。
`GET /v1/audio/voices`	声の一覧（OpenAI 互換の形）。「デフォルト」が必ず先頭にあります。
`GET /ywk/voices`	同じ一覧に、表示名・件数・一覧が壊れているときの理由（`error`）を添えたもの。
`POST /v1/audio/speech`	読み上げ。本文と声を送ると wav が 1 本返ります。
`POST /ywk/voices/import`	声を増やす（v2.0.7 から）。お手本の音声ファイルの中身と名前を送ると、このアプリがそれを声として登録します（下の「声」を参照）。
`GET /ywk/voices/import/{id}`	上で送った 1 件が登録できたか（`queued`／`registering`／`done`／`failed`）。

/ywk/warmup と /ywk/voices/precompute はアプリの内部が使う口です。呼ばないでください。もとの Irodori-TTS-Server の声の登録・削除の口（POST/PUT/DELETE /v1/audio/voices）は閉じてあります。自分のアプリから声を増やしたいときは POST /ywk/voices/import を使ってください（下の「声」を参照）。 /docs（Swagger UI）はもとの Irodori-TTS-Server のまま開けます。

作法

1. 起動を待つ

GET /health が 200 でも、モデルはまだ裏で読み込み中のことがあります。GET /ywk/status の runtime.loaded が true になってから読み上げを送ってください。アプリを開いてから 20〜70 秒ほどかかります（GPU によります）。2 秒おきに見るのがちょうどよいです。
runtime は {loaded, loading, error} の 3 つで、error に文が入ったら「読み込めなかった」です。理由の 1 行をそのまま利用者に見せてかまいません（パスは入りません）。
読み込み前に読み上げを送っても、エラーにはならず、読み込みが終わるまで待たされてから 200 が返ります。タイムアウトは長めに（120 秒以上）取ってください。

2. 読み上げの本文

{"model": "irodori-tts",
 "input": "本文（1〜4096 字）",
 "voice": "声の名前（一覧の id）",
 "response_format": "wav",
 "speed": 1.0,
 "irodori": {"caption": "明るく", "num_steps": 40, "seed": 1234}}

model は "irodori-tts" 固定です。
voice は一覧から名前で選びます。省くと「デフォルト」（参照音声なしの、Irodori-TTS 自身の声）になります。
response_format は wav だけです（mp3 などにする ffmpeg を同梱していないため）。
Irodori-TTS の細かい指定（44 項目）は、すべて irodori の中に入れます。優先順は「irodori の中＞トップレベル＞アプリの既定」です。 既定に戻したいときは、その項目を送らないでください（null や空文字も「未指定」と読みます）。
speed（0.25〜4.0）と irodori.duration_scale はどちらか一方だけ送ってください（両方送ると掛け合わさります）。
irodori.seconds を指定すると、長い本文の自動分割が切れて、出力がその秒数ちょうどに引き伸ばされます。ふつうは送らないでください。
返る wav のヘッダには X-Irodori-Seed（使われた乱数の種）が付きます。同じ音を再現したいときは irodori.seed に入れて送り直してください。
絵文字＝Irodori-TTS が対応している 45 種（モデルの配布ページの EMOJI_ANNOTATIONS.md）はそのまま効きます（綴りの揺れ＝肌の色や VS16 の有無は正しい形に直します）。 それ以外の絵文字は取り除いてから読み上げます（取り除いた数は応答ヘッダ X-Ywk-Emoji-Removed）。取り除いた結果、読む文字が残らなければ、 400 ではなく 200 の無音の wav（PCM 16 bit・モノラル・X-Ywk-Silent: 1）が返ります。空白だけの本文は今までどおり 400 です。
辞書＝このアプリの「辞書」タブに登録した「文字 → 読み」は、絵文字の扱いより前に本文へ掛かります（上から順・すべての一致を置き換え）。読み分けちゃん2 のような呼び出し側が自分の辞書を持っていても構いません（呼び出し側の辞書 → このアプリの辞書 → 絵文字の順）。

3. 間違いは 400 で止まる

もとの Irodori-TTS-Server は、知らない項目名や範囲外の値を黙って無視します（綴りを間違えると「なぜか効かない」になります）。このアプリはそれを 400 で止めます。エラーの本文は必ずこの形で、code で機械的に見分けられます。

{"error": {"message": "unknown field: num_step",
           "type": "invalid_request_error",
           "param": "num_step",
           "code": "ywk_unknown_field"}}

`code`	意味
`ywk_unknown_field`	知らない項目名（トップレベルでも `irodori` の中でも）
`ywk_out_of_range`	範囲外（範囲は `/params` の `min`／`max` と同じ）
`ywk_type_error`・`ywk_invalid_enum`	型違い・選択肢に無い値
`ywk_literal_top_level`	`t_schedule_mode`・`decode_mode`・`cfg_guidance_mode` は `irodori` の中にだけ置けます
`ywk_voice_and_no_ref`・`ywk_voice_and_reference`	`voice` と、参照音声を直接指す項目（`no_ref`・`ref_wav` など）を同時に送った
`ywk_unsupported_response_format`	`wav` 以外を求めた
`ywk_unknown_voice`	一覧に無い声の名前
`ywk_unknown_model`・`ywk_empty_input`	`model` が違う・本文が空白だけ
`ywk_runtime_unavailable`（503）	読み込み中に待ちきれなかった・読み込みに失敗している
`ywk_upstream_error`・`ywk_server_error`	そのほかの失敗（GPU のメモリ不足など）

エラーの本文に、利用者のパソコンのパスは入りません。message はそのまま記録に残して構いませんが、利用者に見せる文は code から組んでください。

4. 同時に 1 つずつ

読み上げは1 つずつ順番に処理されます。同時に送っても、待たされるだけです。
途中で止められません。接続を切っても、走っている分は最後まで走ります。長い本文は自分で区切って送る方が、止めやすくなります。
読み分けちゃん2 と同時に使うと、お互いの読み上げを待ち合います。GET /ywk/status の requests.in_flight で、いま走っている数が分かります。
長い本文（stream_format: "sse"）を分割して受け取る仕掛けも通してありますが、1 本の wav を受け取る形をおすすめします。

パラメータの探し方

GET /params が、指定できる項目を既定値・範囲・説明つきで返します。既定値はアプリの設定を反映した「いま効いている値」なので、固定表を持たず、この応答から画面を組んでください。よく使うのはこのあたりです。

項目（`irodori` の中）	意味	既定
`caption`	キャプション（演技指示）。「明るく」「落ち着いて」など自由文。空なら未指定。	`""`
`num_steps`	品質。少ないほど速く、多いほど丁寧（アプリの「低品質（高速）」は 10・「高品質」は 40）。	40
`cfg_scale_text`	本文への追従の強さ（発音・滑舌が弱いときに少し上げる）。	3.0
`cfg_scale_caption`	キャプションの効きの強さ。	3.0
`cfg_scale_speaker`	参照音声（声の似せ方）の強さ。	`/params` を参照
`seed`	乱数の種。同じ種＝同じ音。省くと毎回変わる。	なし
`speed`（トップレベル）	速さ 0.25〜4.0。	1.0

応答の schema（いまは 1）は、項目を消したり意味を変えたりするときにだけ上げます。項目が増えるだけなら上げません。知らない項目は無視してください。このアプリの版は GET /ywk/status の version で分かります。

声の扱い

声の一覧は GET /v1/audio/voices か GET /ywk/voices で取ります。id がそのまま表示名で、日本語です（例：琴葉茜（関西弁））。
「デフォルト」は参照音声なしの声で、必ず先頭にあります。voice を省いたときもこれになります。
声の追加・削除は、このアプリの画面（「話者と参照ファイル」のタブ）で行います。もとの Irodori-TTS-Server の登録・削除の口は閉じてあります。利用者の音声ファイルを扱う口を、鍵なしで開けておかないためです。自分のアプリから声を増やしたいときは、下の POST /ywk/voices/import を使ってください。
同梱の声の名前は、版が上がると変わることがあります。名前を保存して固定せず、起動のたびに一覧を読み直してください。無い名前を送ると ywk_unknown_voice で返ります。
一覧の各行には preset（同梱の声か）・no_ref（参照なしか）が付きます。参照音声のパスは返しません。

自分のアプリから声を増やす（v2.0.7 から）

お手本の音声（参照音声）をファイルの中身ごと送ると、このアプリがそれを声として登録します。パスではなく中身を送るので、別のパソコンで動いているこのアプリにも送れます。

POST /ywk/voices/import
Content-Type: application/json

{"display_name": "私の声",
 "audio_base64": "<音声ファイルの中身を base64 にしたもの>",
 "format": "wav",
 "caption": "落ち着いて",
 "client": "myapp"}

受け取ると 202 で {"id": "…", "state": "queued", "display_name": "…"} が返ります。 この時点では、まだ声は増えていません。GET /ywk/voices/import/<id> を 1〜2 秒おきに読み、 state が done になってから GET /ywk/voices を読み直してください。そこに display_name の声がいます。

{"id": "…", "state": "queued|registering|done|failed",
 "display_name": "私の声", "error": null, "received_at": "2026-09-24T12:34:56Z"}

done までは数秒です。Radeon（ROCm）では、声ごとの下ごしらえをするぶんもう数秒〜十数秒かかります。
このアプリを開いていない（または画面を閉じている）間は queued のまま止まります。自分の側でも期限を持ってください。
format は wav・mp3・flac・ogg・opus のどれかです。中身と食い違うと 400 になります。
display_name がそのまま声の名前（読み上げの voice に送る id）になります。64 字まで・日本語可。「デフォルト」など参照なしを指す名前は使えません。
caption（演技指示の既定）と client（送った側の名乗り）は省けます。client は「どのアプリから来たか」として、このアプリの声の説明に残ります。
失敗すると state が failed になり、error に理由が 1 行入ります。その場合は同じ名前で送り直せます。
削除の口はありません。消すときはこのアプリの画面から消してください。

番号	`code`	意味
415	`ywk_import_json_only`	`Content-Type` が `application/json` ではない（multipart では受けません）
403	`ywk_browser_origin`	`Origin` か `Referer` が付いている＝ウェブページからは送れません
413	`ywk_import_too_large`	音声が 32 MiB を超えている
400	`ywk_import_bad_audio`	base64 が解けない・中身が `format` と違う
400	`ywk_import_bad_name`	名前が空・64 字超・制御文字・使えない名前
409	`ywk_voice_exists`	同じ名前の声が既にある（受け取って待っている分も含みます）
404	`ywk_import_unknown`	`GET /ywk/voices/import/<id>` の id が無い

この口は受け取るだけで、声の一覧を書き換えるのはこのアプリ自身です。だから JSON でしか受けず、 Origin／Referer の付いた要求を断り、32 MiB で止めます。利用者の音声ファイルを扱う面を、鍵なしでウェブページから触れる形にしないためです。

利用条件

この読み上げで作った音声は、Aratako 氏の Irodori-TTS-v4.1-Small の利用条件に従います。コードとモデルは MIT ライセンスで、加えて次の Ethical Restrictions があります（原文はモデルカードにあります）。

なりすまし禁止＝実在する人（声優・有名人・公人など）の声を、本人の明示の同意なく複製・模倣しないこと。
偽情報禁止＝人をだます目的のディープフェイクや合成音声を作らないこと。
偶然の類似＝参照音声なしで作った声が、たまたま実在の人に似ることがあります。特定の人を再現する意図で学習されたものではありません。
免責＝生成した内容が法令に沿うかは、使う人の責任です。開発者は誤用の責任を負いません。

このアプリ自身（このリポジトリで新たに書いた部分）も MIT ライセンスです（LICENSE）。同梱する物と、はじめて開いたときに入る物の許諾は licenses/README.md にまとめてあります。
出した音声には、人には聞こえない印（透かし）が入ります。
配信・商用・生成音声の公開を禁じる条項はありません。上の 4 つを守ってお使いください。
このアプリ自身は、ほかの方が作ったプログラムや音声モデルを同梱しません。はじめて開いたときに、利用者のパソコンへ元の配布元からダウンロードします。

もっと詳しく

API の仕様書（GitHub・docs/contract.md）＝この配布が約束する HTTP の形を、項目ごとに書いたものです。作る側の帳面なので言い回しは硬いですが、正本はこちらです。
Irodori-TTS／Irodori-TTS-Server＝もとになった音声合成と API サーバ。
利用者向けのページ＝インストールと使い方。