音声アシスタントを、家族の日常へ

子どもたちがスマートフォンを使わず、学校で実際に使っている教科書について AI と話せるようにしたい。シンプルに見えた音声インターフェースは、知識、ハードウェア、日々の体験にまたがるプロダクトの課題になりました。

01 / 会話できるだけでは足りない

初期版は反応が遅く、音質も悪く、周囲の雑音に影響されやすいものでした。端末が話している間に新しい指示を受け取るのも難しく、家族がシステムを待つことになっていました。

全二重の音声処理とエコーキャンセルに対応したスピーカーフォンで、音声の条件は改善しました。ただし、再生と録音が同時にできても、ソフトウェアの割り込みが自動的に実現するわけではありません。ウェイク検出、キャンセル、役割の切り替えには、それぞれの処理が必要です。

02 / 端末のリソースと声の品質

Raspberry Pi のリソースは、ローカルの音声モデルに制約を与えました。より自然な声にするため、代替経路を残しながらクラウドの音声サービスを導入しました。ネットワーク接続、サービスの可用性、費用もプロダクトの一部になりました。

ローカル端末で動くことと、すべてをローカルで処理することは異なります。体験は一連の処理全体に左右され、音声サービスが最初の音声データを返すまでの時間だけでは、会話全体の応答時間は測れません。

音声でのやり取りとバックグラウンド処理

担当範囲の概要です。バックグラウンドで MyAgent を再利用していても、すべてのリアルタイム音声リクエストが同じ Agent ループを通るわけではありません。

03 / 実際の使い方から、設計を変える

「英語が速すぎる」という声から、役割ごとの速度調整を加えました。発話中に別のアシスタントを呼ぶと、割り込み後の切り替えの問題も見つかりました。こうした小さな観察が、機能一覧を長くするよりも、次にすべきことを明確にしてくれました。

教科書との連携にも、確かめられる根拠が必要です。デモでは回答と参照資料を並べ、どのように使われたかを見られるようにしています。ただし、これは教育効果を測定した結果ではありません。

試作機から、使い始めやすいプロダクトへ

現在は家庭用の試作機で、インストーラーやソースコードは公開していません。次の方向は、設定を簡単にし、Raspberry Pi 以外の端末でも検証することです。音声、権限、依存関係、更新は、OS ごとに取り組む必要があります。