【ITニュース解説】Running Kokoro in WordPress: generate in the admin tab, serve a saved file

システムエンジニアを目指す初心者の皆さんにとって、ウェブサイトの裏側で何が起きているのか、具体的な仕組みを理解することは非常に重要だ。今回は、WordPressで作成された記事を、自動で読み上げ音声にしてサイト訪問者が再生できるようにする方法と、そのために考慮すべき点について解説する。

WordPress記事の音声読み上げ機能は、視覚情報が利用できない状況や、手が離せない状況で情報を得たい人にとって非常に便利だ。一般的なブラウザのテキスト読み上げ（TTS）は、音声再生が始まると終了してしまうことが多いが、WordPress記事に組み込む音声は、ブラウザを閉じても利用でき、記事に正しく紐づき、スマートフォンでも機能する必要がある。

この課題に対し、記事では次のようなアプローチを提案している。まず、サイト管理者がWordPressの管理画面で、管理者のブラウザを使って音声ファイルを生成する。そして、生成された音声ファイルをWordPressのシステム内に保存する。これにより、記事を読みに来た訪問者は、自分のデバイスで音声モデルを読み込む必要がなく、WordPressに保存されている音声ファイルを再生するだけで済む。これは訪問者のデバイス負荷を減らし、スムーズな体験を提供する利点がある。

この音声生成と提供の流れは、次のステップで構成される。まず、WordPressで記事が保存されると、その記事のテキストが音声読み上げに適した形に準備される。次に、「Kokoro」という音声合成プログラムが、管理画面を開いている管理者のブラウザ内で動作し、この準備されたテキストから音声サンプルを生成する。生成された音声サンプルは、MP3のような一般的な音声ファイル形式にエンコード（符号化）される。その後、この音声ファイルがWordPressにアップロードされ、メディアライブラリに保存されると同時に、該当する記事に紐付けられる。最終的に、記事の公開ページには音声プレーヤーが設置され、訪問者がそれを操作して音声を聞くことができる。

注意点として、Kokoroが生成するのは音声サンプルであり、MP3などのファイル形式にするには別途エンコーダーが必要だ。単にファイル名の拡張子を変えるだけでは機能しないため、適切なエンコーダーを組み込む必要がある。

この仕組みを導入する際には、三つの重要な決定事項がある。 一つ目は、「何を読み上げるか」という点だ。WordPress記事には見出し、キャプション、コード、表、埋め込みコンテンツなど多様な要素が含まれる。HTMLタグを単に削除して読み上げても、表やコードが音声で意味をなさない場合がある。そのため、音声化するテキストを事前に確認し、読み上げに適した形に調整することが不可欠だ。不適切な部分があればスキップするなどの判断も必要になる。特に、固有名詞や略語の読み上げ方も確認すべきである。

二つ目は、「どこで音声生成処理を行うか」だ。このシステムでは、音声合成処理はWordPressサーバーではなく、管理者のブラウザ内で行われる。WordPressはすでに記事のデータ管理、ユーザーの権限管理、メディアファイルの保存といった機能を担っており、音声合成モデルの実行まで担う必要はないという設計だ。この方法の利点は、サーバーに余計な負荷をかけず、記事のテキストデータを外部の音声合成サービスに送る必要がないため、プライバシー保護の観点からも優れる点だ。しかし、デメリットとして、音声生成中は管理者のパソコンとブラウザのタブを開きっぱなしにする必要があり、サーバーのバックグラウンド処理のように一晩かけて実行するような使い方はできない。音声生成にはWebAssemblyやWebGPUといったウェブ技術が利用されることが多く、実際に利用される可能性のあるハードウェア環境で、これらの技術が問題なく動作するかを事前にテストすることが推奨される。

三つ目は、「記事が編集された後にどう対応するか」だ。記事の内容が更新された場合、以前に生成された音声ファイルが現在の記事内容と一致しない可能性がある。これを防ぐため、音声ファイルがどの記事（post_id）に紐付いているか、メディアライブラリのどのファイル（attachment_id）か、そして「実際に音声合成に使われたテキストの内容のハッシュ値（固有の識別子）」、さらに使用した音声の種類や設定（voice, backend, dtype）といった情報を記録しておくことが重要だ。記事のテキストが変更されるとこのハッシュ値が変化するため、現在の音声ファイルが「古い」と判断し、新しい音声の生成が必要であることを示すことができる。新しい音声ファイルをアップロードする際、万一アップロードが失敗した場合でも、読者がすでに利用できる古い音声が削除されないように、安全な手順を踏むことが求められる。

WordPressシステムとの連携に関しては、WordPressが提供するMedia REST API（ウェブサイトの情報をプログラムで操作するための仕組み）を利用することで、生成した音声ファイルをアップロードし、特定の記事に紐づけることが可能だ。管理画面からこの機能を利用する場合、適切な認証と権限のチェックが確実に行われる必要がある。一度ファイルが保存されれば、公開されている記事ページでは、一般的なHTMLのオーディオプレーヤー（例えば<audio>タグ）でそのファイルを再生するだけでよく、訪問者側のページに音声生成のための複雑なプログラムを読み込ませる必要はない。

プライバシーも重要な考慮点だ。記事のテキストをローカル（管理者のブラウザ内）で音声に変換するというこのアプローチは、テキストデータを外部のTTSプロバイダーに送信する必要がないため、プライバシー保護に大きく貢献する。ただし、WordPressのホスティングサーバーは依然として記事のデータそのもの、生成された録音ファイル、そしてそれを読者に提供する役割を担うことには変わりない。音声モデルの初回ダウンロード時にはインターネット接続が必要となるが、一度ダウンロードされればブラウザのキャッシュに保存され、繰り返し利用できる。

この一連のワークフローが完全に機能するかどうかを確認するためには、徹底的なテストが不可欠だ。例えば、短い記事だけでなく、表やコードブロックを含む複雑な記事での音声生成を試す。また、音声生成中に中断した場合や、アップロードが失敗した場合の挙動も確認する必要がある。さらに、一度録音した記事を編集し、その後再度音声生成を行った場合に、適切に更新されるかどうかも検証する。最後に、公開された記事を、音声生成に利用したデバイスとは異なるスマートフォンやタブレットなどのデバイスで開き、生成から再生までのスムーズな連携が確認できるまで、様々なシナリオでテストを繰り返すことが、信頼性の高いシステムを構築する上で非常に重要となる。