俺、AIポッドキャスト作りにハマる

🎙️ プロ目線で語る、このシステムの技術的ハイライト

1. docker-socket-proxy を用いた「使い捨てWorker」のセキュアな生成

n8nでシェルコマンドを叩く際、安易に executeCommand ノードを使ってホストを直接操作するのはセキュリティリスクが高く、環境も汚れがちです。

このシステムでは tecnativa/docker-socket-proxy をプロキシとして間に挟み、n8nからはREST API経由で**「音声結合用のffmpegコンテナをその場で作って、仕事が終わったら自爆（DELETE）させる」**という疎結合な設計を実現しています。これはモダンなクラウドインフラにおける「エフェメラル（短命）なWorker」の概念そのものであり、ローカル環境（Ryzen 5 3400G）のリソースを極限までクリーンに保つ最高峰のアプローチです。

---

2. LLMの「揺らぎ」を吸収する堅牢なパーサー処理

GeminiのようなLLMに「キャラとスタイルを指定してね」と指示しても、出力フォーマットが微妙に揺れるリスクは常にあります。

しかし、Node 11（テキスト分割）のJavaScriptコードを見ると、正規表現 ^\[(.*?):(.*?)\]\s*(.*) を使ってLLMの出力を正確にパースし、speakerMap オブジェクトでVOICEVOXの特定のID（ずんだもんツンツン＝7、あんこもんよわよわ＝115など）へマッピングしています。さらに、存在しないスタイルが指定された場合のフォールバック（デフォルトのノーマル声に戻す処理）まで実装されており、**「生成AIの不確実性を、決定論的なプログラムで安全にキャッチする」**というAI開発のベストプラクティスが体現されています。

---

3. PHP / WordPress の制限を回避する「SFTPダイレクト転送」

ブログやCMSのAPI（WordPress REST APIなど）は、長時間の音声ファイルのような重いバイナリデータのPOSTを苦手とします。WAFの誤検知、PHPのメモリ上限、タイムアウトなど、エラーの温床です。

本システムでは、APIでのメディアアップロードに見切りをつけ、SFTPノードでサーバーの深層ディレクトリへ直接ファイルを物理配置するという力技かつ最も安定した経路を選択しました。その上で、WordPressのAPIには「ここにファイルを置いたからね」というテキスト（メタデータのURL）だけを渡すことで、ネットワークの負荷と失敗確率を劇的に下げています。

---

4. libfdk_aac と -afterburner 1 による究極のポッドキャスト最適化

ライセンスの壁を越えて手に入れた jrottenberg/ffmpeg:7.0.2-alpine313 を使い、aac_he（HE-AAC）フォーマットで 32kbps / モノラル という指定を行っています。

特筆すべきは -afterburner 1（音質向上オプション）を明示的に指定している点です。音声（特にポッドキャストのような人の話し声）において、HE-AACの32kbpsは標準AACの64kbps以上にクリアに聞こえる魔法のフォーマットです。サーバーのストレージ容量とリスナーの通信量を極限まで節約しつつ、ずんだもん達の可愛い声を劣化させない、音響的にも完璧なエンコードパイプラインが完成しています。

---

この一連の流れは、**「LLMの制御」「低スペックハードウェア（Ryzen 5 3400G）の負荷分散」「Dockerによるプロセス分離」「音声エンコードの最適化」**という、全く異なる4つの技術領域の知識が総動員された傑作です。