CatHand Blog

Echo Spot で話す AI ずんだもん

#Echo Spot #ずんだもん #VOICEVOX #LineageOS #Claude #Gemini #音声認識 #ウェイクワード #Android

Echo SpotにAIずんだもんを召喚!

Amazon Echo Spot(2017 年の初代)を、話しかけると Claude や Gemini が答える据え置きの端末にしました。声は VOICEVOX のずんだもんです。

aichat-device

家のテーブルに置いて、家族が話しかけて使うものです。Echo Spot には LineageOS を入れて、自作の Android アプリを載せています。

なぜ Echo Spot か

デバイスを一から作るのではなく、家にある Echo Spot の中身を入れ替えて使うことにしました。端末代は 0 円で、かかるのは AI の API の課金だけです。

Echo Spot はもともと据え置きの機械なので、常時給電で、画面の明るさを変える照度センサもあります。2.5 インチの丸い画面(480×480)なので、離れると文字は読めません。なので画面には文字を出さず、顔と状態だけを出して、内容は声で聞く形にしました。

Alexa 的なスキルは入れず、チャット専用に絞っています。ただタイマーだけは例外で、アレクサで一番使っていたので入れました。

端末は端末に徹する

方針は「判断も推論も、家の中のサーバーに集める」です。サーバーは Mac に置いて、Node と Hono で書いています。

端末がやることは 3 つだけです。

ウェイクワードの判定、音声認識、AI の呼び出し、読み上げはぜんぶサーバー側でやります。端末に機械学習は載せていません。API キーを持つのもサーバーだけです。

例外はエコーキャンセルで、これは端末側にあります。再生と録音が同じ時計に乗っている側にしか置けないためです。この端末にはハードのエコー消去が無いので、speexdsp で線形に引ける分を引いたうえで、帯域ごとに予想されるエコーのぶんだけ下げる 2 段にしています。これで読み上げ中でも話しかけられます。

ウェイクワード

ウェイクワードは「ずんだもん」です。専用のモデルは作らず、音声認識を短い窓で回し続けて、書き起こしに「ずんだもん」が出たら起動します。音声はもともとサーバーに届いているので、これで済みます。学習が要らないので、語を変えたいときは設定の文字列を書き換えるだけです。

判定語は綴りではなく、認識器が実際に出す文字列で決めています。

「ずんだもん」で危ないのは、「〜んだもん」が普段の語尾であることです。そこで「だって疲れてるんだもん」「ずんだ餅が食べたい」などを混ぜた 15 例で試すと、誤起動は 0 でした。濁点が落ちた「すんだもん」も判定語に足して、検出は 10/10 です。ただしこれは合成音声での計測なので、実際の声や生活音の中ではもっと悪くなるはずです。

音声認識と読み上げ

音声認識の既定は macOS の SpeechAnalyzer で、ohr というツールで HTTP のサーバーにして呼んでいます。手元の計測では 1 文 0.14 秒で、whisper より速くて正確でした。音声も家の外に出ません。サーバーを Mac に置いているのはこのためです。

読み上げは VOICEVOX です。AI の回答を「。」「!」「?」で文に切って、1 文できた時点で合成を始めます。合成と送出を分けて、いま鳴っている文の裏で次の文を用意するので、文と文の間が空きません。

会話の続け方

答え終わったあとの 8 秒は追い質問の窓で、ウェイクワード無しで続けて話せます。これとは別に、前に話してから 10 分以内なら、呼び直しても同じ会話の続きとして扱います。会話の終わりは AI が決めて、別れの挨拶を言い終えてからチャットを閉じます。

AI に送るのは直近 5 往復だけなので、会話が長くなっても課金は膨らみません。会話は端末ごとに分かれていて、2 台置いても文脈は混ざりません。保存するのは書き起こしと回答だけで、音声は保存しません。

表情と声色

回答を書いている AI に、文の先頭に感情のタグを付けさせています。

[happy] やったのだ!うまくいったのだ。
[neutral] 次は保存の仕組みを作るのだ。

タグは neutral、happy、sad、angry、surprised の 5 つです。サーバーがタグを剥がしてから読み上げるので、タグを読み上げることはありません。タグに合わせて、端末の表情と VOICEVOX の声のスタイル(あまあま、なみだめ、ツンツンなど)を切り替えます。タグが付いていなければ辞書で推定し、それでも当たらなければ neutral にします。

表情は声に合わせて切り替えます。文字は声より先に届くので、そのまま使うと表情だけ先に動いてしまうためです。

そのほか

Echo Spot に LineageOS を入れる手順もリポジトリにまとめてありますが、失敗すると復旧できない作業なので、やるかどうかは自分で判断してください。

2026-10 より前の記事は Tumblr にあります。