n8nで作る音声チャットフロー（macOSローカル環境）

本記事では、macOS上に構築した n8n（ローカル環境） を使い、

• 音声入力
• 音声認識（Speech-to-Text）
• LLMによる応答生成（会話履歴考慮）
• 音声合成（Text-to-Speech）
• Webhook経由でブラウザに音声返却

までを すべてn8n上で完結 させる方法を解説します。

クラウドに依存せず、
プロトタイピング・個人開発・PoC用途に最適な音声チャット構成 です。

---

🎯 ゴール

以下を満たす「音声チャット体験」を構築します。

1. 音声をWebhookに送信するとテキストに変換される
2. LLMが会話履歴を考慮して自然な応答を生成する
3. 応答を音声に変換する
4. ブラウザ上でそのまま音声が再生される

---

🏗️ 全体アーキテクチャ

1. Webhook
   音声ファイルを受信
2. Speech-to-Text
   音声 → テキスト変換
3. Memory Manager / Buffer Memory
   会話履歴を保持
4. LLM（Gemini / OpenAI / Claude など）
   応答生成
5. Text-to-Speech
   音声合成（ElevenLabs / Fish Audio / MiniMax Audio）
6. Respond to Webhook
   音声データを返却

ローカルn8nだけで
音声 → AI → 音声 のループを実現します。

---

📝 構築手順

1. Webhookで音声を受け取る

使用ノード

• Webhook

設定例

• Path: voice_message
• HTTP Method: POST
• Response Mode: Response Node

動作確認（curl）

curl -X POST http://localhost:5678/webhook-test/voice_message \
  -H "Content-Type: multipart/form-data" \
  -F "voice_message=@sample.m4a"

👉 ここで Binary形式の音声ファイル がn8nに渡ります。

---

2. 音声をテキスト化する（Speech-to-Text）

使用ノード

• OpenAI - Speech to Text
  ※ Whisper互換

設定

• Resource: audio
• Operation: transcribe
• Binary Property Name: voice_message

ポイント：

• 音声形式は .m4a, .wav, .mp3 が安定
• 長時間音声は分割推奨

---

3. 会話履歴を管理する（Conversation Memory）

使用ノード構成

• Get Chat（過去履歴取得）
• Aggregate（履歴整形）
• Insert Chat（新規保存）
• Window Buffer Memory（履歴制限）

なぜ必要か？

• 単発応答では「会話」にならない
• 直近N件を渡すことで自然な対話が可能

ベストプラクティス

• 履歴は 直近5〜10往復
• トークン肥大化を防ぐ

---

4. LLMで応答を生成

使用ノード

• Basic LLM Chain

モデル例

• Google Gemini Chat Model
• OpenAI GPT-4.x
• Claude Sonnet

プロンプト設計ポイント

• 「これまでの会話を考慮して回答してください」
• 「簡潔かつ音声向きの表現で」

---

5. 応答を音声に変換する（Text-to-Speech）

使用ノード

• HTTP Request

サービス例

• ElevenLabs API
• Fish Audio
• MiniMax Audio

ElevenLabs API例

POST https://api.elevenlabs.io/v1/text-to-speech/{voice_id}

Headers

{
  "Content-Type": "application/json",
  "xi-api-key": "YOUR_API_KEY"
}

Body

{
  "text": "={{ $('Basic LLM Chain').item.json.text }}"
}

👉 応答を Binary（audio） として受け取るのがポイント

---

6. Webhookで音声を返却する

使用ノード

• Respond to Webhook

設定

• Respond With: Binary
• Binary Property: data
• Response Content Type: audio/mpeg
• Response Headers:
  • Content-Disposition: inline（任意）

これにより、

👉 ブラウザでWebhook URLを叩くだけで音声が再生 されます。

---

🔒 セキュリティ・運用の注意点

• Webhook URLは外部公開しない
• ngrok利用時はIP制限推奨
• APIキーはn8n Credential管理
• 音声ログの保存可否を明確に

---

✅ まとめ

本構成により、

• 音声入力
• 会話履歴を考慮したAI応答
• 高品質な音声合成
• ブラウザ即再生

を n8nだけで実現 できます。

ローカル環境でも十分に「音声チャットAI体験」を構築可能です。
ぜひ、自分の声でAIと会話する環境を作ってみてください。

---