Skip to main content
このドキュメントは英語の原文から自動翻訳されています。表現に不自然な箇所がある場合があります。正確な内容は英語の原文もあわせてご確認ください。
Supertone TTSをClaude、Cursorなどの MCP 対応クライアントと連携させましょう。Supertone MCPサーバーは、Text-to-Speech APIを組み合わせ可能なModel Context Protocolツール群として公開します。これにより、AIエージェントはボイスの検索、サンプルの試聴、コスト見積もり、ボイスのクローン、音声合成を行い — これらのステップを自ら多段階のワークフローに連結できます。 ソース: supertone-inc/supertone-mcp。

​
できること

  • 音声合成 — ボイス・言語・速度・ピッチ・感情スタイルを制御します。
  • ボイス検索 — 言語・性別・年齢・ユースケース・スタイルで探し、決定前にサンプルを試聴します。
  • クローン・管理 — ローカルのオーディオファイルからカスタムボイスを作成・管理します。
  • 使用量の追跡 — クレジット残高と使用履歴を確認します。
  • オーディオの結合 — 複数のクリップを1つのファイルに結合します（無音ギャップ・クロスフェードのオプション）。

​
事前準備

  • uvのインストール（uvxを提供）、またはpipが使えるPython。
  • Developer Consoleで取得したSupertone API キー。

​
インストール

どのクライアントも、API キーを環境変数で渡して同じサーバー（uvx supertone-mcp）を実行します。以下からクライアントを選択してください。
~/.cursor/mcp.json（グローバル）または.cursor/mcp.json（プロジェクトごと）に追加し、API キーを入力します:
{
  "mcpServers": {
    "supertone-tts": {
      "command": "uvx",
      "args": ["supertone-mcp"],
      "env": { "SUPERTONE_API_KEY": "your-api-key-here" }
    }
  }
}

​
環境変数

変数必須デフォルト用途
SUPERTONE_API_KEYはい—認証
SUPERTONE_MCP_VOICE_IDいいえAiden（多言語）text_to_speechのデフォルトvoice_id
SUPERTONE_OUTPUT_DIRいいえ~/supertone-tts-output/生成されたオーディオファイルの保存先

​
ツール

サーバーは、エージェントが連結して使える組み合わせ可能なビルディングブロックとして機能を公開します。
ツール説明
text_to_speech速度・ピッチ・感情スタイル・出力形式を制御してオーディオを生成します。
predict_duration生成前に合成の長さとクレジットコストを見積もります。
ツール説明
search_voice言語・性別・年齢・ユースケース・スタイルでプリセットボイスを絞り込みます。
get_voiceボイスの詳細情報をすべて取得します。
preview_voiceボイス評価用のサンプルオーディオURLを取得します。
ツール説明
clone_voiceローカルのWAV/MP3（≤ 3 MB）からクローンボイスを作成します。
search_custom_voice作成したクローンボイスを一覧・絞り込みします。
get_custom_voiceクローンボイスの詳細を取得します。
edit_custom_voiceクローンボイスの名前や説明を更新します。
delete_custom_voiceクローンボイスを完全に削除します（元に戻せません）。
ツール説明
get_credit_balance残りクレジットを確認します。
get_usage_history期間ごとの使用量を表示します。
get_voice_usage特定ボイスの使用量メトリクスを確認します。
ツール説明
merge_audio_filesローカルのオーディオファイル2つ以上を1つに結合します — 単純な連結、無音ギャップ（gap_ms）、クロスフェード（crossfade_ms）。複数のtext_to_speech出力をつなぎ合わせるのに便利です。

​
主なtext_to_speechパラメータ

  • text（必須）、voice_id、language、output_format（mp3 / wav）
  • model — 例: sona_speech_2_flash、sona_speech_1
  • speed（0.5–2.0）、pitch_shift（−24 〜 +24 半音）、style
  • output_mode（files / resources / both）、autoplay（デフォルトfalse）、streaming（sona_speech_1のみ）
これらは呼び出しごとのパラメータであるため、エージェントは呼び出しのたびに出力モード・自動再生・モデルを制御します。

​
主なmerge_audio_filesパラメータ

  • input_paths（必須） — 順番に並べたローカルオーディオファイル2つ以上。（1つだけ渡すとそのまま返されます。）
  • gap_ms — クリップ間に挿入する無音の長さ（ミリ秒）。
  • crossfade_ms — クリップ間のクロスフェードの長さ（ミリ秒）。gap_msと相互排他です。
  • output_format — 出力形式の上書き。デフォルトは自動判定です：入力の拡張子がすべて同じならその拡張子、混在していればmp3。サンプルレートやチャンネル数が異なっていても、結合前に自動的に正規化されます。
ffmpegはimageio-ffmpegとしてバンドルされているため、システムにffmpegをインストールしなくてもuvx supertone-mcpのまま結合が動作します。

​
ワークフロー例

検索 → 試聴 → 見積もり → 合成

「落ち着いた韓国語の女性ボイスを見つけてサンプルを聞かせて、コストを確認してから、このアナウンスをmp3で作って。」search_voice() → preview_voice() → predict_duration() + get_credit_balance() → text_to_speech()と連結されます。

クローンしてすぐに使用

「~/recordings/sample.wavからMyVoiceという名前のクローンボイスを作って、そのボイスでこの挨拶を読み上げて再生して。」clone_voice() → get_custom_voice() → text_to_speech(autoplay=true)と連結されます。

スクリプトを分割合成して結合

「このスクリプトの段落をそれぞれ合成して、間に短い無音を入れて1つのmp3にまとめて。」段落ごとのtext_to_speech() → merge_audio_files(gap_ms=...)と連結されます。

​
トラブルシューティング

設定ファイルが有効なJSONであること、クライアントを完全に再起動したことを確認してください。ほとんどのクライアントは起動時にのみMCPサーバーを読み込みます。
uvxを提供するuvをインストールしてください: uv インストールガイドを参照。またはpip install supertone-mcpの後、commandをsupertone-mcpに設定してください。
SUPERTONE_API_KEYが（シェルではなく）サーバーのenvブロックに設定され、有効であることを確認してください。キーはDeveloper Consoleで取得できます。
output_mode: filesの場合、オーディオはSUPERTONE_OUTPUT_DIR（デフォルト~/supertone-tts-output/）に保存されます。すぐに再生するにはautoplay: trueを設定してください。

​
関連ドキュメント

CLI

同じ機能をターミナルとスクリプトから。

カスタムボイス

Supertoneでのボイスクローンの仕組み。