AIともう少しスムーズに会話したかった
最近、社内向けに作っているAIツールを、もう少し普通に「会話」できるようにしたいと思っていました。
画面に質問を入力して、AIが文章で答える。
これはこれでいいのですが、せっかくAIとやり取りするなら、回答を読み上げてくれたほうが楽なんじゃないか。
そんなことを考え始めました。
特に費用はあまり増やしたくありません。
今のAI基盤もいろいろ試しながらXServer VPS 24GBに寄せているところなので、できれば外部サービスを増やさず、VPSの中で完結できないかなと。
そこで最初に考えたのが、無料で使えるTTSを自分のサーバーに置く方法でした。
まずVOICEVOXをVPSに入れてみた
TTSはText to Speech、つまり文章を音声に変換する仕組みです。
最初はVOICEVOXを試しました。
Dockerでサーバーに立てて、AIが返した文章を音声に変換する。
構成としては分かりやすいです。
しかもローカルで動かせるので、外部APIの料金を気にしなくていい。
「これでいいじゃん」と思っていました。
ところが、実際に動かしてみると、思ったよりメモリを使います。
自分の環境ではだいたい3~4GBくらい使っていました。
単体で動かすなら、まあいい。
でも、今のVPSにはAI関連のコンテナをいろいろ動かしています。
Rerankerだったり、n8nだったり、その他のサービスだったり。
その中にTTSまで載せるとなると、
「これ、音声のためにメモリを数GB使う必要あるのかな」
となってきました。
以前から、XServer VPS 24GBにAI基盤をどこまで寄せるかという話はしていましたが、こういうところでまた悩みます。
そもそもTTSのAPIをちゃんと調べていなかった
ここで改めてTTSを調べました。
今思えば、最初から調べればよかったんですが、最初は「リアルタイム性を考えたらローカルで動かすのが一番いいだろう」と思ってしまったんですよね。
なので、外部APIをあまり真面目に見ていませんでした。
そこで出てきたのがGoogle CloudのText-to-Speechです。
料金を見てみると、
「あれ?」
となりました。
2026年8月時点のGoogle Cloud公式料金表では、Standard音声は月400万文字まで、WaveNet音声も月400万文字まで無料。
さらに新しいChirp 3: HD音声も月100万文字まで無料になっています。
400万文字。
最初に見たときは、
「そんなに使う?」
という感じでした。
AIとの会話用途なら、毎月400万文字も読み上げることは、自分の使い方ではまずなさそうです。
もちろん無料枠を超えれば課金されるので、完全無料という意味ではありません。Text-to-Speechは課金を有効にして利用する必要があります。
それでも、今回の用途ならかなり余裕があります。
100万文字でも、意外と長い
Chirp 3: HDは100万文字まで無料です。
これも最初は「100万か」と思いました。
でも、AIさんに日本語の読み上げ時間をざっくり計算してもらいました。
日本語の読み上げ速度を1分あたり300~400文字くらいとすると、
100万文字 ÷ 300文字/分 ≒ 3,333分
100万文字 ÷ 400文字/分 ≒ 2,500分
つまり、約42~56時間。
……十分じゃない?
毎日1時間使ったとしても、1か月で30時間くらいです。
もちろん実際の文字数や読み上げ速度によって変わりますし、AIとの会話を毎日1時間ずっと音声で使うとも限りません。
でも、自分の用途では100万文字でもかなり余裕があります。
そう考えると、わざわざVPSのメモリを数GB使ってTTSを動かし続ける理由が薄くなってきました。
結局、Google TTSを使うことにした
今のところは、GoogleのText-to-Speechを使う方向にしています。
VOICEVOXが悪いわけではありません。
自分でサーバーに置いて動かせることにはメリットがありますし、外部APIに依存しない構成にしたい場合には、むしろそちらのほうが都合がいい場合もあると思います。
ただ、今回の目的は「TTSサーバーを運用すること」ではありません。
AI問い合わせ回答ツールを、少し使いやすくすることです。
そう考えると、TTSのためにメモリを確保して、Dockerコンテナを管理して、負荷を気にして……となるより、APIを呼んで音声を返してもらったほうが自分の環境には合っています。
以前、AI基盤をXServer VPS 24GBに寄せていく話を書きましたが、今回もその延長です。
XServer VPS 24GBにAI基盤を寄せ始めた話はこちらです。

実際に今の検証環境ではXServer VPSを使っているので、今回もその環境の中で「どこまでVPSに載せるか」を考えています。
最初から広く調べればよかった
今回、一番思ったのはこれです。
「最初から広く調べればよかったな」と。
リアルタイム性を考えたらローカル。
無料で使いたいならローカル。
そんな感じで最初から考えてしまったので、APIを使うという選択肢を深く調べませんでした。
でも、実際に調べてみたら、無料枠だけでも今回の用途には十分そうでした。
Googleの無料枠って、個人的にはちょっと分かりづらいです。
「400万文字無料」と言われても、そもそも400万文字がどのくらいなのか分からない。
今回みたいに時間に換算してみて、初めて「これなら十分だな」と実感できました。
VPSに全部載せればいい、ではなかった
VPSを使っていると、つい「これもサーバーに入れればいい」と考えてしまいます。
自分の場合もそうでした。
Dockerで動かせるなら、とりあえずVPSに入れてしまう。
そのほうが自分で管理できるし、月額費用も増えない。
でも、サービスが増えてくると、今度はメモリやCPU、コンテナの管理が気になってきます。
今回のVOICEVOXは、まさにその例でした。
「無料だからVPSに載せる」
ではなく、
「そのサービスを自分で運用する必要が本当にあるか」
まで考えたほうがいい。
今はそんなふうに考えるようになっています。
今のところはGoogle TTSで十分そう
AIと会話するための音声機能は、まだ試している途中です。
実際の使い勝手や、読み上げの速さ、音声の自然さなどは、これからもう少し触ってみるつもりです。
それでも、今回分かったことは結構大きかったです。
最初は「無料TTSをVPSに入れる」という発想でした。
それが、調べ直してみたら「無料枠のあるTTS APIを使う」という選択肢も普通にあった。
そして、今の自分の環境なら、そのほうがVPSのリソースを圧迫しない。
最初から完璧な構成を考えるより、実際に動かしてみて、重かったら別の方法を探す。
ひとり情シスの環境では、結局こういうやり方のほうが現実的なのかもしれません。
今回もまた、
「VPSに全部載せる必要はないな」
という、いつもの結論に戻ってきました。


