ComfyUIの次はIrodori TTS！n8nからローカルAI音声生成を完全自動化

前回の記事では、n8nからComfyUIを呼び出し、画像を自動生成するところまで成功しました。

画像が作れるようになったことで、次はいよいよ音声生成です。

目標は、

「記事を渡したら、自動でナレーション音声まで作る」

そんなワークフローを完成させることでした。

今回の相手はIrodori TTS
APIとの格闘
UIからヒントを探す
たどり着いた答え
ついに完全自動化
思わぬところで気付いた課題
一歩ずつ動画生成システムへ

今回の相手はIrodori TTS

Irodori TTS自体は以前から使えていました。

ブラウザで文章を入力すれば、自然な日本語音声を生成できます。

しかし、それでは毎回手作業になります。

欲しいのは、

n8nから自動で音声を作る仕組み。

ここから苦戦が始まりました。

APIとの格闘

最初はPythonからGradio APIを呼び出そうとしました。

しかし、

引数の順番が分からない
Value is not in the list of choices
APIには届くのに動かない
Pythonでもエラー

など、試行錯誤の連続。

さらに、UIでは普通に音声生成できるのに、APIでは失敗するという状態にも悩まされました。

最も苦労したのは、

「APIは存在するのに404になる」

という状況です。

最初は、

/api/predict/_run_generation

を呼び出していました。

しかし何度試しても404エラー。

しかも途中では接続先IPを間違えていたため、タイムアウトまで発生。

IPを修正すると通信自体は成功しましたが、それでも404は変わりませんでした。

ここで、

「通信はできている。ということは、URLそのものが違うのでは？」

と考え直すことにしました。

UIからヒントを探す

発想を変え、

「UIは裏で何を送っているのか」

を調査。

Gradioの設定ファイルを解析し、

エンドポイント
入力パラメータ
引数の順番

を一つずつ確認していきました。

そこで分かったのが、

Gradio 5系ではAPIの入口が変わっていた

ということです。

これまで使っていた

/api/predict/…

ではなく、

/gradio_api/call/…

が正しいエンドポイントでした。

半信半疑でURLを書き換えて実行すると、

それまで404しか返ってこなかったAPIから、

event_id

が返ってきました。

「あ、やっと正しい入口を見つけた。」

ここが今回一番うれしかった瞬間です。

たどり着いた答え

最初はPythonスクリプトが必要だと思っていました。

実際、PythonでAPIを試しながら挙動を確認したことで、Gradioの仕組みを理解することができました。

しかし最終的には、

HTTP Requestノードだけ

で完結できることが判明しました。

ワークフローは、

POSTでevent_id取得
↓
GETで生成完了待機
↓
音声URL取得
↓
WAVダウンロード

という、Gradio独特のイベント方式でした。

Pythonで試行錯誤したことが、結果的に「Pythonを使わなくても実現できる方法」へたどり着く近道になったのです。

ついに完全自動化

最終的には、

音声生成開始
生成完了待機
音声URL取得
WAVファイル取得

まで、すべてn8nだけで成功。

PythonもExecute Commandも不要でした。

思わぬところで気付いた課題

実は、この作業の途中で別の問題にも気付きました。

気が付くと、パソコンのファンの音が以前より大きくなっていました。

「何か動きっぱなしなのでは？」

と思い、メモリ使用量を確認すると、16GB中14GB近くが使われている状態。

そこでhtopでプロセスを確認してみると、試しに起動したComfyUIとIrodori TTSが、そのままバックグラウンドで動き続けていることが分かりました。

ブラウザを閉じても、AIモデルはメモリを保持したまま待機していたのです。

その結果、生成を繰り返すたびにメモリを圧迫し、パソコンの動作も重くなっていました。

そこで、まずSwapの使用状況を確認。以前メモリ不足になった際のデータが残っていたため、一度RAMへ戻して整理しました。

さらに、ComfyUIとIrodori TTSをsystemdサービスとして登録。

これにより、

必要なときだけ起動
使い終わったら停止
起動用ターミナルを探す必要がない
PC再起動後も簡単に管理できる

という運用に変更できました。

今回の目的は音声生成の自動化でしたが、その過程でホームラボ全体の運用方法まで改善できたのは思わぬ収穫でした。

一歩ずつ動画生成システムへ

今回完成したのは、動画生成パイプラインの音声生成部分です。

現在の構想は、

note記事
↓
Qwenで要約・台本生成
↓
ComfyUIで画像生成 ✅
↓
Irodori TTSで音声生成 ✅
↓
Whisperで字幕生成
↓
FFmpegで動画化
↓
YouTube・Xへ投稿

ここまで来ると、ようやく目指していた「ローカルAI制作工場」の形が少しずつ見えてきました。

LinuxもDockerもn8nも、数日前まではほとんど初めてでした。

それでも、一つずつエラーを解決しながら進めた結果、自動化だけでなく、その環境を安定して運用する仕組みまで整い始めています。

次はいよいよ、Whisperによる字幕生成とFFmpegによる動画自動生成。

画像・音声までは自動化できたので、ここまで完成すれば、

記事 → 台本 → 画像 → 音声 → 字幕 → 動画

という一連の流れが、ローカルAIだけで完結する「AI制作工場」にかなり近づくはずです。

まだ試行錯誤は続きますが、一歩ずつ積み上げながら、自分だけのAI制作環境を完成させていこうと思います。