話を始める前に

読み上げBotとはなんぞや？という話から。

読み上げBotとは、DiscordのサーバーのVCにBotを参加させ、テキストチャンネルに送信されたテキストを読み上げ、VCにいる人がテキストチャンネルを観にいかなくても内容が聞き取れるというもの。

やりたいこと

私の友人が、読み上げBotをMacBookのCPUで動作させていてた。
友人は読み上げに使うエンジンとして、『ずんだもん』や、『春日部つむぎ』で有名なVOICEVOX-engineを使っていた

しかし、MacBookのCPUで合成音声をおこなっていたがために、テキストの送信が行われてから実際に読み上げを行うまでの応答が少し遅かった。

機械学習などでGPGPU技術に触れていた私は、”もしかして、GPUを使えばその問題を解消できるのでは？”と思った。

この予感は見事に当たっていて、なんとGPU版のVOICEVOX-Engineが存在していた！そうとわかれば早速開発開始！

https://github.com/VOICEVOX/voicevox_engine

開発開始

先述した通り、私は機械学習の分野に触れているため、ホストOSにCUDAの環境が整っている。なので、この記事はCUDAのセットアップに関しては割愛する。

Dockerの環境構築

「よし作るぞ！」と言いたいところだが、実は私、Docker未経験。まずはDockerの基礎知識を頭に多少入れてから進めることにした。
DockerfileやDocker-composeの使い方、コンテナ仮想化の基本構造などを勉強した。

理屈では理解できたので、早速公式サイトからインストーラーをダウンロードして、インストールを進めていく。

Docker-Engineの起動にWSL2が必要なので、インストール・アップデートをする。

ここでアップデートを忘れると、Docker Desktop起動時に、「WSLのバージョンが低いぞ！」と怒られることがあるので、注意。

これでDockerの環境構築は終了！ようやくBot本体の開発に移れる。

Alpine LinuxのNodeJS、Ubuntu 20.04のVOICEVOX-Engine(GPU版)の二つのイメージをpullする。

では、それらを使用するために、Docker-compose.ymlを記述していく。

version:"3"
services:
    voicevox-engine:
        platform:linux/x86_64
        container_name:voicevox-engine
        image: voicevox/voicevox_engine:nvidia-ubuntu20.04-latest
        restart:always
        ports:
          -"50021:50021"
        tty: true
            

これでDockerのコンテナの設定が完了したので、VOICEVOX-Engineの動作確認とBot本体の開発をしていく。

VOICEVOX-Engineの動作確認

先ほどの「voicevox.dockerfile」で、VOICEVOX-Engineが使用する50021番ポートを解放するように記述した。
Windows10のブラウザで「host.docker.internal:50021」にアクセスしてみる。

無事アクセスできた。

ここにクエリの書き方が一通り載っているので、わからなくなったらここを見る。

DiscordBotの制作

これに関しては、過去に一度DiscordBotを開発したことがあったのと、友人がスクリプトを貸してくれたので、そこまで難しくはなかった。

DeveloperPortalからBotの新規作成をして、

プロフィールを記述。

ここからが重要。Botにチャットの読み取りや通話への参加に関する権限を付与する必要がある。

これを忘れると、今回のようなVCを使うBotの場合、コマンドデプロイ時にエラーが発生するので注意。

これが参考にした私の友人のGitHubリポジトリ。

https://github.com/FussyReich/DiscordBot2

このリポジトリの中のDiscordBotの部分だけ拝借する。リポジトリを持ってきただけでは使えないので、少しコーディング。

Discord Botの部分は完成した。今回の開発の目的に、「Dockerの勉強をしたい！」というのがあるので、discord.JSと、モジュール、VOICEVOX_Engineが利用可能な環境をDockerで構築する。

Bot本体はできたので、Dockerfileとdocker-compose.ymlファイルに肉付けをしていく。

node.dockerfile

# ベースイメージの読み込み
FROM node:alpine
                    
RUN npm install
WORKDIR /usr/app
COPY .\ /usr/app
RUN apk update 
RUN apk add --no-cache ffmpeg
                    
CMD [ "npm","start" ]
                    
CMD [ "node","index.js" ]
                    
EXPOSE 50021
EXPOSE 80
            

docker-compose.yml

version:"3"
services:
                      
    webserver:
        ports:
          -"3000:3000"
        build:
            context:.
            dockerfile:node.dockerfile
        container_name:node
        image:node:alpine
                
                
    voicevox-engine:
        platform:linux/x86_64
        container_name:voicevox-engine
        image: voicevox/voicevox_engine:nvidia-ubuntu20.04-latest
        restart:always
        ports:
          -"50021:50021"
        tty: true

                
            

これで「Docker-compose build」実行時にモジュールのインストール、「docker-compose up」でDiscordBot（node index.js）の実行するようにできた。

実行！！！！！

コマンドプロンプトで「docker-compose build」を実行。

ビルド完了後、「docker-compose up」を実行。

期待通り、DiscordBotとVOICEVOX_Engineの同時起動ができた。

このように、VCに参加もできた。喋らせよう！と思ったが、エラー発生。

ステータスコード500。コンテナ間通信はできているが、音声データを返すことができていない。

原因は、GPU版のVOICEVOX-engineなのにGPUを利用できていないからだった。
docker-compose.ymlファイルを、GPUを利用するように数行書き加える

version:"3"
services:
                      
    webserver:
        ports:
          -"3000:3000"
        build:
            context:.
            dockerfile:node.dockerfile
        container_name:node
        image:node:alpine
                
                
    voicevox-engine:
        platform:linux/x86_64
        container_name:voicevox-engine
        image: voicevox/voicevox_engine:nvidia-ubuntu20.04-latest
        restart:always
        ports:
          -"50021:50021"
        tty: true
        # ここを書き加えた
        deploy:
            resources:
              reservations:
                devices:
                  - driver: nvidia
                    count: 1
                    capabilities: [gpu]

                
            

もう一度ビルド＆起動！

喋った！！！！！

しっかりとCudaを使って合成音声してくれている。

新旧対決

今回作った読み上げBotである「ずんだもんv2」は、CUDAによる爆速レスポンスを武器としている。
「v2」というからには、友人作の読み上げBotよりも高速であるべきだ。

なので、同じVCに友人作と私作のBotを2体同時参加させ、同時に同じ149字の文章を送信する。そして、送信から音声の再生が始まった時間を測り比較する。
テストに使った文章は下記の通りだ。

実験の結果なんと…

約10倍もレスポンスの速度に違いがあるではないか！！！！
これには自分も驚いた。面白いものを見ることができた。ありがとう、ずんだもん、そして友人よ。

サーバーへの追加はこちらから！

構成図

【クレジット】

VOICEVOX：ずんだもん
立ち絵：坂本アヒル 様

東北ずん子プロジェクト　利用規約：https://zunko.jp/guideline.html

本記事、または紹介したBotでは収益を得ていません。

最後まで読んでくれてありがとう！