October 2026– date –

AI英会話のアプリが独自の声を持つとき、裏では何が行われているのか。Microsoftの公式ドキュメントだけを材料に、カスタム音声の申請と同意、台本に求められる文の配分、24KHz・SNR35dB超という録音の数値、5通りのトレーニング方法までを順に分解した。

AI英会話の対応言語には1つの数字が存在しない。グーグルの表に並ぶ言語コードは170個だが、話者の切り分けは14個、絵文字の書き取りは12個しか印が付かない。認識148ロケールに対し発音採点は33ロケールという公式表記も含め、機能ごとの落差を実際に数えて分解した。

AI英会話の音声形式は、非圧縮・可逆圧縮・非可逆圧縮の3つに分かれる。公式が推奨するのはFLACとLINEAR16で、非可逆圧縮は人間の耳を基準に情報を削るため認識の手がかりも消える。対応コーデックの一覧とヘッダの扱いを公式仕様から分解した。

AI英会話は1つの箱ではなく、音声認識・言語モデル・音声合成という3つの部品が直列につながったものだ。段と段のあいだを渡るのは文字列だけで、声の情報はそこで畳まれる。部品を売る側の公式ドキュメントの記述だけを材料に、どの段が何をしていて、どこで情報が落ちるのかを分解する。