Skip to main content
Glama
enesjakozh
kentaro

AivisSpeech MCP Server

by kentaro
OverviewSchemaSourceRelated ServersDiscussionsAdmin
TypeScript
Hybrid

AivisSpeech MCP サーバー

AivisSpeech用のModel Context Protocol (MCP) サーバーの実装です。このサーバーは、AivisSpeech Engineと連携して、音声合成のためのインターフェースを提供します。MCPプロトコルを通じて、AIアシスタントなどのアプリケーションからAivisSpeechの音声合成機能を簡単に利用できるようになります。

概要

AivisSpeech MCP サーバーは以下の機能を提供します：

  • MCPプロトコルに準拠したAPIエンドポイント

  • AivisSpeech Engineとの連携による高品質な音声合成

  • TypeScriptによる型安全な設計

  • 簡単な設定と拡張性の高いアーキテクチャ

Related MCP server: TTS-MCP

必要条件

  • Node.js 18.x以上

  • npm 9.x以上

  • AivisSpeech Engine（別途インストールが必要）

インストール

# リポジトリをクローン
git clone https://github.com/kentaro/aivis-speech-mcp.git
cd aivis-speech-mcp

# 依存関係のインストール
npm install

# ビルド
npm run build

# 環境変数の設定
cp .env.sample .env
# .envファイルを編集して、必要な設定を行ってください

# Cursor MCPの設定
cp .cursor/mcp.json.sample .cursor/mcp.json
# mcp.jsonファイル内の"/path/to/aivis-speech-mcp/dist/index.js"を
# 実際のプロジェクトパスに書き換えてください
# 例: "C:/Users/username/path/to/aivis-speech-mcp/dist/index.js"

環境設定

.envファイルで以下の設定を行います：

# AivisSpeech API Configuration
AIVIS_SPEECH_API_URL=http://localhost:10101  # AivisSpeech EngineのAPIエンドポイント

# Speaker Configuration
AIVIS_SPEECH_SPEAKER_ID=888753760  # デフォルトのスピーカーID

Cursor MCP設定

.cursor/mcp.jsonファイルで以下の設定を行います：

{
  "mcpServers": {
    "AivisSpeech-MCP": {
      "command": "node",
      "args": ["/path/to/aivis-speech-mcp/dist/index.js"]
    }
  }
}

/path/to/aivis-speech-mcp/dist/index.jsを、実際のプロジェクトのパスに書き換えてください。 Windowsの場合は、バックスラッシュをエスケープするか、フォワードスラッシュを使用してください。 例: "C:/Users/username/path/to/aivis-speech-mcp/dist/index.js"

使い方

開発モード

開発中は以下のコマンドでホットリロード機能付きでサーバーを起動できます：

npm run dev

ビルド

本番環境用にビルドする場合は以下のコマンドを実行します：

npm run build

本番モード

ビルド後、以下のコマンドで本番モードでサーバーを起動します：

npm start

テスト

テストを実行するには以下のコマンドを使用します：

npm test

アーキテクチャ

AivisSpeech MCP サーバーは以下のコンポーネントで構成されています：

  • MCPサービス: Model Context Protocolに準拠したサーバーを提供し、クライアントからのリクエストを処理します

  • AivisSpeech サービス: AivisSpeech EngineのAPIと通信し、音声合成を実行します

API仕様

MCPプロトコルに準拠したAPIエンドポイントを提供します。主な機能は以下の通りです：

  • 音声合成（テキストから音声を生成）

  • スピーカー情報の取得

  • 音声スタイルの設定

詳細なAPI仕様についてはAivisSpeech Engine API仕様を参照してください。

MCPプロトコルとの連携

このサーバーは、Model Context Protocol（MCP）を実装しており、AIアシスタントなどのアプリケーションからシームレスに利用できます。MCPプロトコルについての詳細はMCP公式ドキュメントを参照してください。

トラブルシューティング

よくある問題と解決策：

  • AivisSpeech Engineに接続できない: .envファイルのAIVIS_SPEECH_API_URLが正しく設定されているか確認してください

  • 音声が再生されない: システムの音声設定を確認し、適切なオーディオデバイスが選択されているか確認してください

  • スピーカーIDが見つからない: AivisSpeech Engineが正しく起動しているか確認し、利用可能なスピーカーIDを確認してください

貢献

バグ報告や機能リクエストは、GitHubのIssueトラッカーを通じてお願いします。プルリクエストも歓迎します。

ライセンス

MIT

謝辞

Available Tools

1 tool
aivis-speech-synthesisD
ParametersJSON Schema
NameRequiredDescriptionDefault
intonation_scaleNoイントネーションのスケール（1.0が標準）
output_sampling_rateNo出力音声のサンプリングレート（Hz）
pitch_scaleNo音高のスケール（1.0が標準）
post_phoneme_lengthNo音声の末尾の無音時間（秒）
pre_phoneme_lengthNo音声の先頭の無音時間（秒）
speaker_idNo音声合成に使用するスピーカーのID
speed_scaleNo話速のスケール（1.0が標準）
style_idNo音声合成に使用するスタイルのID
textYes音声合成するテキスト
volume_scaleNo音量のスケール（1.0が標準）

TDQS

D1/5.0
Behavior1/5

Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?

Tool has no description.

Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.

Conciseness1/5

Is the description appropriately sized, front-loaded, and free of redundancy?

Tool has no description.

Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.

Completeness1/5

Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?

Tool has no description.

Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.

Parameters1/5

Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?

Tool has no description.

Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.

Purpose1/5

Does the description clearly state what the tool does and how it differs from similar tools?

Tool has no description.

Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.

Usage Guidelines1/5

Does the description explain when to use this tool, when not to, or what alternatives exist?

Tool has no description.

Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

  1. 1 tool updatev1.0.0
    • First observedaivis-speech-synthesis
Deploy Server
One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

TDQS

D1.7/5.0

Scored across 1 tool

Disambiguation5/5

With only one tool, there is no possibility of ambiguity or overlap between tools. The single tool 'aivis-speech-synthesis' stands alone with a distinct purpose, so agents cannot misselect among multiple options.

Naming Consistency5/5

A single tool inherently has consistent naming, as there are no other tools to compare it against. The name 'aivis-speech-synthesis' follows a clear pattern of domain-specific naming, and no inconsistencies can arise from a set of one.

Tool Count2/5

A single tool for a speech synthesis server is too few for typical use cases, as it lacks essential operations like configuration, status checks, or batch processing. This minimal scope limits functionality and suggests an incomplete or overly simplistic implementation for the domain.

Completeness1/5

The tool set is severely incomplete for a speech synthesis domain, offering only synthesis without any supporting operations like listing voices, adjusting parameters, checking synthesis status, or handling errors. This creates significant gaps that will likely cause agent failures in real-world scenarios.

Maintenance

ActivityInactive
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • TTS-MCP

    nakamurau1
    A
    license
    Not graded
    quality
    C
    maintenance
    A Model Context Protocol server that integrates high-quality text-to-speech capabilities with Claude Desktop and other MCP-compatible clients, supporting multiple voice options and audio formats.
    23 npm
    1
    MIT

  • Voicevox MCP Server

    Dosugamea
    A
    license
    B
    quality
    F
    maintenance
    A server that enables Claude 3.7 and other AI agents to access VOICEVOX-compatible speech synthesis engines (AivisSpeech, VOICEVOX, COEIROINK) through the Model Context Protocol.
    1
    12
    MIT

  • Edge-TTS MCP Server

    yuiseki
    A
    license
    B
    quality
    D
    maintenance
    A Model Context Protocol server that provides text-to-speech functionality for AI agents using Microsoft Edge's text-to-speech technology, supporting multiple voices, languages, and voice customization.
    2
    8
    MIT

Appeared in Searches