オーディオモード設定

概要

AITuberKitでは、OpenAIが提供するAudio API機能を活用して、テキストまたは音声入力に対して自然な音声で応答するオーディオモードを利用できます。このモードは、リアルタイムAPIモードとは異なる機能として提供されています。

環境変数:

# オーディオモードの有効化
NEXT_PUBLIC_AUDIO_MODE=false

# ブラウザ設定の初期値として使う場合
NEXT_PUBLIC_OPENAI_API_KEY=sk-...

# サーバー側で秘匿して使う場合
OPENAI_API_KEY=sk-...

# オーディオモードの入力タイプ（input_text or input_audio）
NEXT_PUBLIC_AUDIO_MODE_INPUT_TYPE=input_text

# オーディオモードの音声（alloy, coral, echo, verse, ballad, ash, shimmer, sage）
NEXT_PUBLIC_AUDIO_MODE_VOICE=alloy

OpenAIへのリクエストはAITuberKitの /api/ai/audio が中継します。ブラウザ側のAPIキーが空の場合はサーバー側の OPENAI_KEY または OPENAI_API_KEY を使用します。公開環境でサーバー側キーを利用する場合は、AITUBERKIT_SERVER_SECRET_ACCESS_MODE を protected または demo に設定してください。

対応モデル

オーディオモードでは、以下のモデルに対応しています：

• gpt-audio-1.5
• gpt-audio
• gpt-audio-2025-08-28
• gpt-audio-mini（デフォルト）
• gpt-audio-mini-2025-12-15
• gpt-audio-mini-2025-10-06

旧 gpt-4o-*-audio-preview 系を保存している場合は、起動時に対応する gpt-audio / gpt-audio-mini へ自動移行されます。

設定方法

オーディオモードを利用するには、以下の手順で設定します：

1. AIサービスとしてOpenAIを選択
2. OpenAI APIキーを設定
3. オーディオモードをONに設定
4. 必要に応じて入力タイプと音声を選択

送信タイプ設定

オーディオモードでは、2種類の送信方法から選択できます：

• テキスト：マイクで入力された音声をWeb Speech APIで文字起こしした後に送信
• 音声：マイクからの音声データを直接Realtime APIに送信

音声タイプ設定

オーディオモードでは、以下の音声タイプが選択可能です：

• alloy, coral, echo, verse, ballad, ash, shimmer, sage

各音声には異なる特性があり、キャラクターに合わせて最適な声を選択できます。

制限事項

• 現在OpenAIのサービスのみ対応
• 外部連携モード、リアルタイムAPIモードとの併用不可
• 他のモードよりもAPI利用料金が高くなる場合あり