mcp-voicevox-server
Server Configuration
Describes the environment variables required to run the server.
| Name | Required | Description | Default |
|---|---|---|---|
| SPEAKER_ID | No | キャラクターID | 3 |
| VOICEVOX_URL | No | Engine のアドレス | http://localhost:50021 |
| AUTO_START_ENGINE | No | 自動的にDockerを起動するか | true |
Instructions
Guidance the server publishes about itself, which clients place ahead of the tool catalog so the model reads it before choosing anything.
This server publishes no instructions, or was last inspected before Glama recorded them.
Capabilities
Features and capabilities supported by this server
Protocol revision2025-11-25
| Capability | Details |
|---|---|
| tools | {
"listChanged": false
} |
| prompts | {
"listChanged": false
} |
| resources | {
"subscribe": false,
"listChanged": false
} |
| experimental | {} |
Tools
Functions exposed to the LLM to take actions
| Name | Description |
|---|---|
| list_speakersA | VOICEVOX Engineで利用可能なスピーカー（キャラクター）の一覧を取得します。 Returns: スピーカー一覧の文字列 |
| save_audioA | テキストをVOICEVOXで音声合成し、WAVファイルとして保存します。 Args: text: 読み上げるテキスト output_path: 保存先のファイルパス（.wav） speaker: スピーカーID（指定しない場合は環境変数SPEAKER_IDの値を使用。list_speakersで一覧を確認できます） speed: 話速 (0.5 〜 2.0, デフォルト: 1.0) pitch: 音高 (-0.15 〜 0.15, デフォルト: 0.0) intonation: 抑揚 (0.0 〜 2.0, デフォルト: 1.0) volume: 音量 (0.0 〜 2.0, デフォルト: 1.0) Returns: 保存結果のメッセージ |
| speak_textA | テキストをVOICEVOXで音声合成し、スピーカーから再生します。 Args: text: 読み上げるテキスト speaker: スピーカーID（指定しない場合は環境変数SPEAKER_IDの値を使用。list_speakersで一覧を確認できます） speed: 話速 (0.5 〜 2.0, デフォルト: 1.0) pitch: 音高 (-0.15 〜 0.15, デフォルト: 0.0) intonation: 抑揚 (0.0 〜 2.0, デフォルト: 1.0) volume: 音量 (0.0 〜 2.0, デフォルト: 1.0) Returns: 再生結果のメッセージ |
Prompts
Interactive templates invoked by user choice
| Name | Description |
|---|---|
No prompts | |
Resources
Contextual data attached and managed by the client
| Name | Description |
|---|---|
No resources | |
TDQS
Scored across 3 tools
Each tool has a clearly distinct purpose: listing speakers, saving audio to file, and playing audio. No overlap or ambiguity.
All tool names follow a consistent verb_noun pattern using snake_case (list_speakers, save_audio, speak_text), making it predictable.
Three tools is well-scoped for a TTS server, covering the essential operations without being too few or too many.
Core functionality (listing voices, saving, playing) is covered. Missing direct audio data retrieval, but minor gap for a basic server.