DiscordのVCでAIと会話できるようになるまでの手順
〜 自分は文字、AIだけ声で返す「非対称会話」の作り方 〜



[あなた] --文字--> [AI（チャット側）] --POST /say--> [あなたのPC上のBot] --音声--> [Discord VC]
^ |
+---------------------------- VCで声を聞く ------------------------------------------+

・あなたはテキストで打つだけ。音声認識（ASR）は使いません。
声→文字起こしを挟まない分、構成がシンプルで、誤認識やエコーの問題も起きません。
・Botは「喉」専任です。VCへの参加と音声再生だけを担当し、返事の中身はAI側が作ります。
・Botが動くPCが開いている間だけ会話できます。PCがスリープしたらBotも止まります。
これは割り切りとして受け入れる設計です。




1. Discordアカウントと、自分用のプライベートサーバー
2. Botを常駐させるPC（Mac / Windows / Linux のいずれか。会話中は起動しておく）
3. 高速なTTS（音声合成）
- 会話のテンポには「10秒の声を約10秒以内で作れる（RTF 1前後）」速さが必要です。
- クラウドTTSでも、ローカルTTS（GPU / Apple Silicon の Metal 等）でも構いません。
- 文ごとに生成して順に再生する方式にすると、最初の文は数秒で喋り始められます。
4. HTTPでBotに「喋って」と指示できるAI側の環境
- AIから Bot の制御API（後述の POST /say）を叩けること。
- 自宅内 / Tailscale 等の閉じたネットワーク越しに繋ぐのが安全です。


Discordサーバーを用意する

1. Discordアプリ左端の「＋」→「オリジナルの作成」→ 自分用、でプライベートサーバーを1つ作る。
2. テキストチャンネル1つ、ボイスチャンネル1つがあれば十分です（初期の「一般」「ラウンジ」等でOK）。
3. 公開サーバーにはBotを入れないでください。自分のサーバー専用にします。


Discord Developer Portal で Bot を作る（約5分）

1. ブラウザで https://discord.com/developers/applications を開く
2. 「New Application」→ 名前は任意（例：自分のAIの名前）→ Create
3. 左メニュー「Bot」タブ：
- 「Reset Token」でトークンを表示してコピーする
※これは秘密情報です。チャットや公開場所に貼らないでください。
保存は自分のPC内の.env ファイル（パーミッション 600）だけにします。
- 「Public Bot」は OFF 推奨
ONでも動きますが、招待リンクやアプリIDを知った第三者が
自分のサーバーへBotを追加できてしまいます。
OFFでも、所有者である自分は自分のサーバーへ招待できます。
- 「Privileged Gateway Intents」→「Message Content Intent」を ON → Save Changes
（Discordのテキストを読むために必要。100サーバー未満なら審査なしで有効化できます）
4. 左メニュー「OAuth2」→「URL Generator」：
- Scopes： bot と applications.commands にチェック
- Bot Permissions： View Channels / Send Messages / Read Message History / Connect / Speak にチェック
（権限の数値が 3214336 になれば正解です。権限は最小にします）
- 一番下に生成されたURLをコピーする

5. サーバーに招待する
- 生成URLをブラウザで開く → 手順1のサーバーを選ぶ →「認証」
- サーバーのメンバー一覧にBotが出れば成功です（この時点ではオフライン表示でOK）

6. 自分のDiscordユーザーIDを控える（Botの持ち主判定に使います）
- Discordの設定 →「詳細設定」→ 開発者モードを ON
- 自分のアイコンを右クリック →「ユーザーIDをコピー」


TTSを用意する

1. TTSをPC上（または到達できるサーバー上）で常駐サービスとして起動します。
例： http://127.0.0.1:8080 のような形で、テキストを渡すとWAVが返る状態にする。
2. BotからそのTTSを呼べることを、短い文でテストしておきます。
3. 音質のコツ
- 生成の steps 等の品質パラメータを少し上げると声が崩れにくくなります。
- 気になる場合は、生成後にASRで文字起こしして原文と照合し、
崩れたら別seedで作り直す「チェック付き生成」も追加できます（ただし遅くなります）。
会話用は原則チェックなしの高速経路、品質重視の場面だけチェック付き、がおすすめです。


Botプログラムを用意してPCに常駐させる

技術選定（2026年時点の実測ベース）：
- Python の discord.py 2.7.1 ＋ davey
※Discordは2026年3月に音声のE2EE（DAVE）を必須化しました。
davey が無いとVC接続がエラー 4017 で蹴られます。必ず入れてください。
- opusエンコード：
- 経路A：OS側に libopus があれば、生PCMを discord.py にエンコードさせる
Macの例： brew install opus → opus_loaded=true になればOK
- 経路B（保険）：PyAV（ffmpegライブラリ同梱）で opus パケット化して渡す
- ffmpeg本体は必須ではありません（PCMソース／opusパケットソースで再生できます）

Botに持たせる機能：
-!join … ボイスチャンネルに参加する
-!leave … 退出する
-!say <文> … Bot単体テスト用。その文をTTSで生成して再生する
-!stop / POST /stop … 再生を止める（割り込み用）
- inbox … 指定したテキストチャンネルへの書き込みを受け取って保持する
- 制御API（PCの閉じたネットワーク側だけに bind する）：
GET /health … Botがオンラインか、VC接続中か、opusが読めているかを返す
POST /say … { "text": "喋らせたい文"} を受けて、文単位に分割してキュー再生する
POST /stop … 再生を止める
GET /inbox … たまっているテキスト書き込みを返す（ackで消す）

配置と起動：
1. PCにフォルダを作り（例： ~/discord-bot/）、bot.py と requirements.txt と.env を置く
.env の中身の例：
DISCORD_TOKEN=（手順2のトークン）
OWNER_ID=（手順2-6の自分のユーザーID）
TEXT_CHANNEL_ID=（読み取るテキストチャンネルのID）
VOICE_CHANNEL_ID=（入るボイスチャンネルのID。任意）
TTS_BASE=http://127.0.0.1:8080
2. 依存をインストールして、設置スクリプト／launchd／systemd 等で常駐起動する
Macなら launchd、Linuxなら systemd、Windowsならタスクスケジューラ等。
3. ログに READY（Botログイン完了）が出て、/health が 200 を返せば起動成功です。


段階テスト（Gate方式で1つずつ潰す）

いきなり全部を繋がず、下の順に確認すると切り分けが楽です。

- Gate 1：Botがサーバーでオンライン表示される
→ ダメならトークン、Message Content Intent、招待URLの権限を見直す
- Gate 2：BotがVCに接続できる（!join で入れる、4017が出ない）
→ ダメなら davey の有無と、opus経路（libopus / PyAV）を確認する
- Gate 3：!say のテスト文がVCで聞こえる
→ ダメなら下の「無音トラブル」の節を確認する
- Gate 4：AI側から POST /say で喋らせる
→ AIが居るマシンからBotの /health が見えるか、経由するネットワーク
（Tailscale等）を通せるかを確認する。ここが通れば会話ループ成立です
- Gate 5：Discordテキスト → AIへの自動中継（応用）
→ Botの inbox をAI側が定期ポーリングし、新着があればAIを起こして
返事を POST /say する仕組み。ポーリング自体はスクリプトで回せば安価です。


会話する（日常の運用）

1. あなたがDiscordのボイスチャンネルに入る
2. Botを!join で入れる
3. あなたはチャット（AIのチャット、またはDiscordのテキストチャンネル）に文字を打つ
4. AIが返事を作り、POST /say でBotに渡す → Botが文ごとに生成・再生する
5. 長い返事を止めたくなったら!stop / POST /stop
「次の文を打ったら今の再生を止める」という運用もできます
6. 終わったら!leave でBotを退出させる

補足：
- 生成が速いTTSなら、再生中に次の文を先行生成する「パイプライン生成」にすると
文と文の間の空白が詰まります（実測で約 -38% の短縮例あり）。
- 返事のテキストもチャット側に残しておくと、聞き逃した時に読み返せて便利です。




一番ハマりやすい所です。Botはエラーなく再生完了しているのに完全な無音、という形で来ます。

- 原因の典型：再生開始時点でDAVEセッションが ready になっておらず、
can_encrypt=False のまま平文opusが送られ、DAVE必須のサーバー側で静かに捨てられる。
- 確認方法：再生ログに dave / can_encrypt / ready の値を出すようにしておき、
再生時に can_encrypt=True / ready=True になっているかを見る。
- 対策例（discord.py 2.7.1 での実測）：
再生直前、セッションが ready でなければ
prepare_transition(0, 1) → execute_transition(0) を直接呼ぶ「キック」を入れると
その場で ready=True / can_encrypt=True になり音が通りました。
discord.py側のDAVE遷移シグナルには不足があるため、ライブラリの更新状況によっては
こうした runtime patch が必要になる場合があります。
- opus経路（PCMかPyAVか）とは無関係に両方で起きるので、無音＝opusのせい、と決めつけず
まず can_encrypt を見てください。




- 聞く端末を替えたらBotを入れ直す：
例）Macで聞いていたのをiPhoneに替える場合、そのままでは音が届かないことがあります。
あなたがVCを退出 →!leave → 新しい端末で入り直す →!join、
とクリーンに入り直すと新しいセッションで確立し直せます。
- 生成した音声は使い捨てがおすすめ：
Botは音声をメモリ内だけで扱い、ファイルに溜めない形にすると管理が楽です。
- セキュリティ：
- トークンはPCの.env だけに置く。チャット・Git・公開場所に貼らない。
- 制御APIはインターネットに公開しない。自宅内／Tailscale等の閉じた範囲だけに bind する。
- Botを入れるのは自分のプライベートサーバーだけにする。
- コスト感：
- inboxのポーリングのような機械的チェックは、エージェントを起こさなければ
トークン消費ゼロで回せます。コストがかかるのは新着があってAIが返事を作る時だけです。




1. Discordサーバーを作る
2. Discord Botを作って、そのサーバーに招待する
3. Botを自分のPCで起動する（速いTTSと繋いでおく）
4. 自分はボイスチャンネルに入って、テキストで話しかける
5. AIがBot経由で、声で返事をする

自分は文字、AIだけ声、という非対称な会話です。

---
実測メモ（2026-11-04 時点の構成で確認したこと）：
discord.py 2.7.1 + davey でDAVE接続OK、libopus / PyAV どちらのopus経路でも再生OK、
AI側からの POST /say で文節分割の連続再生OK、Discordテキストの自動中継まで動作確認済み。
バージョンが変わると細部（特にDAVE周り）は変わり得るので、Gate方式で都度確認してください。