RaspBerry Pi 「お帰りなさい」：これを実現する

sudo apt update && sudo apt upgrade -y
sudo apt install -y python3-pip python3-dev python3-venv
sudo apt install -y portaudio19-dev python3-pyaudio
sudo apt install -y alsa-utils pulseaudio pulseaudio-utils
sudo apt install -y libportaudio2 libportaudiocpp0

python3 -m venv voice_env
source voice_env/bin/activate

pip install google-cloud-speech google-cloud-texttospeech
pip install pyaudio pygame

# 音声デバイス確認
arecord -l  # 入力デバイス
aplay -l    # 出力デバイス

# USBマイクのテストなので5秒ほど下のコマンド実行後喋ってみてください
arecord -D plughw:[arecordで表示されたカード番号],[arecordで表示されたデバイス番号] -d 5 test.wav

# 上記コマンドで録音したファイルを再生
aplay test.wav

# 音量調整
alsamixer

echo 'export GOOGLE_APPLICATION_CREDENTIALS="/（Raspberry Piでの保存フォルダ）/service-account-key.json"' >> ~/.bashrc
source ~/.bashrc

import time
import sys
import os
import tempfile
import pyaudio
from google.cloud import speech
from google.cloud import texttospeech
import pygame

class ContinuousVoiceGreeting:
    def __init__(self):
        # Google Cloud認証確認
        if not os.environ.get('GOOGLE_APPLICATION_CREDENTIALS'):
            print("GOOGLE_APPLICATION_CREDENTIALS 環境変数が設定されていません")
            raise Exception("Google Cloud認証情報が見つかりません")
        
        # Google Cloud クライアント初期化
        self.speech_client = speech.SpeechClient()
        self.tts_client = texttospeech.TextToSpeechClient()
        
        # Raspberry Pi最適化設定
        self.speech_config = speech.RecognitionConfig(
            encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
            sample_rate_hertz=16000,
            language_code="ja-JP",
            model="latest_short",  # 短時間モデルが安定
            use_enhanced=True,
            enable_automatic_punctuation=True,
        )
        
        # 自然な日本語音声設定
        self.tts_voice = texttospeech.VoiceSelectionParams(
            language_code="ja-JP",
            ssml_gender=texttospeech.SsmlVoiceGender.FEMALE,
            name="ja-JP-Neural2-B"
        )
        
        self.tts_config = texttospeech.AudioConfig(
            audio_encoding=texttospeech.AudioEncoding.MP3,
            speaking_rate=0.9,
            pitch=0.0
        )
        
        # PyAudio設定（Raspberry Pi最適化）
        self.audio_format = pyaudio.paInt16
        self.channels = 1
        self.rate = 16000
        self.chunk = 1024
        self.audio = pyaudio.PyAudio()
        
        # システム状態管理
        self.is_running = True
        self.is_speaking = False
        
        # pygame初期化（3.5mmジャック用最適化）
        os.environ['SDL_AUDIODRIVER'] = 'alsa'  # ALSA強制使用
        pygame.mixer.pre_init(frequency=22050, size=-16, channels=1, buffer=512)
        pygame.mixer.init()
        
        print("Raspberry Pi初期化完了！")

    def listen_for_voice(self):
        """音声入力を待機・取得する"""
        try:
            print("音声入力待機中... (5秒間録音)")
            
            # 音声録音
            stream = self.audio.open(
                format=self.audio_format,
                channels=self.channels,
                rate=self.rate,
                input=True,
                frames_per_buffer=self.chunk,
                input_device_index=None  # デフォルトデバイス使用
            )
            
            frames = []
            for _ in range(0, int(self.rate / self.chunk * 5)):
                try:
                    data = stream.read(self.chunk, exception_on_overflow=False)
                    frames.append(data)
                except OSError:
                    print("音声入力でオーバーフローが発生しました")
                    continue
            
            stream.stop_stream()
            stream.close()
            
            audio_data = b''.join(frames)
            
            print("Google Cloudで音声認識中...")
            
            # Google Cloud Speech-to-Text
            audio = speech.RecognitionAudio(content=audio_data)
            response = self.speech_client.recognize(
                config=self.speech_config, 
                audio=audio
            )
            
            if response.results:
                text = response.results[0].alternatives[0].transcript
                confidence = response.results[0].alternatives[0].confidence
                print(f"認識結果: 「{text}」(信頼度: {confidence:.2f})")
                return text
            else:
                print("音声を認識できませんでした")
                return None
                
        except Exception as e:
            print(f"音声認識エラー: {e}")
            return None

    def check_tadaima(self, text):
        """「ただいま」検出"""
        if text is None:
            return False
        
        tadaima_patterns = ["ただいま", "只今", "タダイマ", "tadaima", "ただ今"]
        text_lower = text.lower()
        
        for pattern in tadaima_patterns:
            if pattern.lower() in text_lower:
                print(f"「{pattern}」を検出しました！")
                return True
        
        print("「ただいま」は含まれていませんでした")
        return False

    def speak_okaeri(self):
        """「お帰りなさい」音声出力（3.5mmジャック）"""
        if self.is_speaking:
            return
        
        self.is_speaking = True
        message = "お帰りなさい"
        print(f"3.5mmジャックから音声出力: 「{message}」")
        
        try:
            # Google Cloud Text-to-Speech
            synthesis_input = texttospeech.SynthesisInput(text=message)
            
            response = self.tts_client.synthesize_speech(
                input=synthesis_input,
                voice=self.tts_voice,
                audio_config=self.tts_config
            )
            
            # 3.5mmジャック用音声再生（MP3形式）
            with tempfile.NamedTemporaryFile(suffix=".mp3", delete=False) as tmp_file:
                tmp_file.write(response.audio_content)
                tmp_file_path = tmp_file.name
            
            # pygame音声再生（3.5mmジャック向け最適化）
            pygame.mixer.music.load(tmp_file_path)
            pygame.mixer.music.set_volume(0.8)
            pygame.mixer.music.play()
            
            while pygame.mixer.music.get_busy():
                time.sleep(0.1)
            
            os.unlink(tmp_file_path)
            print("音声出力完了")
            
        except Exception as e:
            print(f"音声出力エラー: {e}")
        finally:
            self.is_speaking = False

    def check_exit_command(self, text):
        """終了コマンドチェック"""
        if text is None:
            return False
        
        exit_patterns = ["終わり", "やめて", "ストップ", "stop", "exit", "quit", "シャットダウン"]
        text_lower = text.lower()
        
        for pattern in exit_patterns:
            if pattern.lower() in text_lower:
                return True
        return False

    def run(self):
        """メインループ"""       
        try:
            while self.is_running:
                recognized_text = self.listen_for_voice()
                
                if recognized_text:
                    if self.check_exit_command(recognized_text):
                        print("終了コマンドを検出")
                        break
                    
                    if self.check_tadaima(recognized_text):
                        self.speak_okaeri()
                
                time.sleep(0.5)
                print("\n" + "-"*40)
                
        except KeyboardInterrupt:
            print("\n Ctrl+Cで終了")
        except Exception as e:
            print(f"\n システムエラー: {e}")
        finally:
            self.cleanup()

    def cleanup(self):
        """終了処理"""
        self.is_running = False
        
        if self.is_speaking:
            print("音声出力完了を待機中...")
            time.sleep(2)
        
        self.audio.terminate()
        pygame.mixer.quit()
        

def main():
    try:
        greeting_system = ContinuousVoiceGreeting()
        greeting_system.run()
    except Exception as e:
        print(f"Raspberry Pi初期化エラー: {e}")
        print("セットアップガイドを確認してください")
        sys.exit(1)

if __name__ == "__main__":
    main()

source voice_env/bin/activate
python voice_greeting.py