金色の配線パターンが広がる基板の接写
現場の実践

ElevenLabs音声合成をReact業務アプリに組み込む際の設計チェックポイント

目次を見る

業務システムに音声読み上げ機能を追加する相談を受けたとき、何を基準に設計すればよいか迷う場面があります。問い合わせ対応ダッシュボードの読み上げ、多言語マニュアルの音声化、工場の作業手順案内など、テキスト読み上げ(TTS:Text to Speech、文章を音声データに変換する技術)を使う業務要件は意外と多く存在します。

この記事では、AI音声合成サービスのElevenLabsをReactアプリに組み込む構成を題材に、既存の業務システムに音声機能を足すときの設計上の判断ポイントを整理します。対象読者は社内向け業務アプリやSaaSのフロントエンドをReactで開発している方、またその保守を任されているエンジニアです。

なぜ音声合成の組み込みに注意が必要か

ElevenLabsはテキストを入力すると自然な音声を生成するAPIサービスです。音声クローン(特定の話者の声を学習して再現する機能)にも対応しており、製品に固有の「ブランドボイス」を持たせることもできます。

単純な機能に見えますが、業務システムに組み込む際はAPIキーの扱い、既存バックエンドとの責務分担、障害時のフォールバックなど検討すべき点が複数あります。フロントエンドエンジニアが興味本位でfetchを書いて終わりにできる話ではありません。

技術的な仕組みを段階的に見る

APIキーをブラウザに置いてはいけない理由

ElevenLabsのAPIは、リクエストヘッダーのxi-api-keyにAPIキーを付与して呼び出す方式です。このキーをReactのクライアントコードに直接書くと、ブラウザの開発者ツールから誰でも閲覧できてしまいます。

これは一般的なSaaS APIキー管理の原則と同じです。社内システムであっても、退職者のブラウザ履歴やキャッシュから漏洩するリスクはゼロではありません。そのため構成では、Node.js(サーバーサイドJavaScript実行環境)によるプロキシサーバーを間に挟み、APIキーをサーバー側の環境変数(.envファイル)にのみ保持する設計になっています。

プロキシサーバーの役割

紹介されている実装では、Expressというミニマルなサーバーフレームワークで/api/ttsというエンドポイントを1つ用意しています。Reactアプリはこのエンドポイントにテキストを送り、プロキシがElevenLabsのtext-to-speechAPIを代理で呼び出し、返ってきた音声ストリームをそのままクライアントに中継します。

mkdir server && cd server
npm init -y
npm install express cors node-fetch dotenv

この構成のポイントは、音声データをストリーミング(response.body.pipe(res))で返している点です。音声ファイル全体をサーバーに一旦保存してから返すのではなく、受信したデータをそのまま流すため、レスポンスの遅延を抑えられます。

フロントエンド側の受け取り方

React側ではVoiceButtonというコンポーネントが、プロキシのエンドポイントにPOSTリクエストを送り、返ってきたレスポンスをblob()でBlobオブジェクト(バイナリデータの塊)に変換します。それをURL.createObjectURLでブラウザ内の一時URLに変換し、HTML標準の<audio>要素で再生する流れです。

この処理自体は数十行で書けますが、業務システムに組み込む場合は再生失敗時のエラーハンドリング、連続クリック時の多重リクエスト防止、ローディング状態の表示なども合わせて実装する必要があります。紹介されているコードはloadingステートを持っていますが、これは最低限の土台と捉えるのが安全です。

既存技術との比較で見えてくる選択肢

社内システムで音声読み上げというと、ブラウザ標準のWeb Speech API(SpeechSynthesis)を思い浮かべる方もいるはずです。こちらは追加費用なしで使えますが、音質がOS・ブラウザ依存で、声の種類も限られます。

一方でElevenLabsのようなクラウドTTSサービスは、音質が安定し多言語対応も広いものの、呼び出し回数に応じた従量課金が発生します。社内向けの軽量な読み上げ機能ならWeb Speech API、顧客向けプロダクトで声の品質がブランド体験に直結するならElevenLabsのような有料APIを検討する、という切り分けが現実的です。

日本の開発現場では、Amazon PollyやGoogle Cloud Text-to-Speechを既にAWSやGCP契約の一部として使っているケースも少なくありません。新しいベンダーを増やす前に、既存クラウド契約内でTTSが提供されていないか確認するのも選定の第一歩です。

既存コードベースへの影響と今日確認できること

既存のReactアプリに組み込む前に、次の点を確認しておくと手戻りを防げます。

  • バックエンドの有無: 既に自社のBFF(Backend For Frontend)やAPIゲートウェイがあるなら、新規にExpressサーバーを立てず既存バックエンドにエンドポイントを1つ追加する方が構成がシンプルになります
  • 認証の重ね方: 社内システムなら、プロキシエンドポイントにも社内認証(JWTやセッションcookie)のチェックを挟み、誰でもTTS APIを叩ける状態にしないことが望ましいです
  • コスト上限の設計: ElevenLabsは文字数に応じた課金のため、入力テキストの長さに上限を設けるバリデーションを/api/tts側に入れておくと予期しない請求を防げます
  • ストリーミング対応のインフラ: 社内プロキシやロードバランサーがレスポンスのストリーミングをバッファリングしてしまう設定になっていないか、インフラ担当と確認しておくと安心です

導入を検討する際は、まずElevenLabsのダッシュボードでAPIキーを発行し、小さなNode.jsスクリプトでcurl相当の疎通確認を行うところから始めるのが安全です。いきなり本番のReactアプリに組み込むのではなく、ローカル環境でプロキシ単体の動作を確認してから、フロントエンドのコンポーネントに接続する順序をおすすめします。

APIキーをクライアントに露出させない設計(サーバーサイドプロキシ)は、音声合成に限らずあらゆる外部AI APIの組み込みで共通する最低限の防御線です。

既存の大規模システムでは、こうした小さな外部連携機能ほど後から「誰が呼び出しコストを管理するか」「障害時にどうフォールバックするか」が曖昧になりがちです。導入初期の段階で、呼び出し回数のロギングとアラート設定まで設計に含めておくと、後々の運用負荷を抑えられます。

まとめ

ElevenLabsのようなクラウドTTSサービスをReactアプリに組み込む構成自体は、プロキシサーバーと1つのコンポーネントで実現できる小規模なものです。ただし業務システムに組み込む際は、APIキー管理・既存バックエンドとの統合・コスト上限・ストリーミング対応インフラの4点を事前に確認しておくと安全です。

まず着手するなら、ローカル環境でExpressプロキシを立てて疎通確認を行い、既存のBFFに統合できるかどうかをバックエンド担当と相談するところから始めてみてください。

参考

How to Add Voice to Your React App with ElevenLabs

AI 駆動開発のご相談は forva AI へ。

まずはお気軽にどうぞ。