プロンプトはAI英会話の中身をどこまで決めるのか。指示文の構造を公式ガイドから分解した

公開日 2026年9月16日(水) 17:24更新日更新なし

AI英会話アプリを2つ使い比べると、同じ言語モデルを使っているはずなのに、返ってくる英語の感じがまるで違うことがある。

片方はやたらと丁寧に文法を直してきて、もう片方は間違いを流して会話を先に進める。

この差を生んでいるのがプロンプト、つまりアプリが毎回こっそりAIに渡している指示文だ。

利用者からは1文字も見えないが、そこには「あなたは誰で、どう話し、何をしてはいけないか」が書かれている。

そしてこの指示文の書き方は、AIの部品を売っている会社が開発者向けに公式ガイドとして公開している。

この記事では、その公式ガイドの記述だけを材料にして、プロンプトがAI英会話の何を決めていて、何を決められないのかを分解する。

サービスの順位づけやおすすめはしない。仕組みの話だけをする。

TOC

【結論】プロンプトはAI英会話の「話し方」を決めるが、「正しさ」までは決めない

先に答えを置く。

プロンプトが決めているのは、役割・口調・話す速さ・訂正の仕方・話題の広げ方といったふるまいであって、AIが持っている知識そのものではない。

プロンプトで決まるもの	プロンプトでは決めきれないもの
AIの役割・キャラクター・口調	AIが知っている事実の範囲
英語を直すか、流すか	毎回まったく同じ返事になること
返事の長さ・話す速さ	聞き取った名前や数字が正確であること
相槌を打つか、黙って聞くか	禁止事項が100%守られること
どの言語で話すか	特定の地域なまりで話すこと

右の列が重要だ。

OpenAIのPrompt engineering は、モデルが生成する内容は non-deterministic（非決定的）であり、狙った出力を得ることは「a mix of art and science」だと明記している。

⇒ プロンプトは命令ではなく、強い傾向づけだ。

だから「AIに絶対やらせたいこと」は、プロンプトではなくアプリ側のコードで担保する、というのが公式ガイドの立場になっている。

プロンプトとは何か｜AI英会話に毎回渡されている指示文の正体

プロンプトは「利用者が打ち込む文」だけを指す言葉ではない。

公式ガイドでは、アプリ側が先に渡す指示と、利用者が渡す入力が、はっきり別物として扱われている。

APIには instructions というパラメータがあり、Prompt engineering はこれを「トーン、目標、正しい返答の例を含む、どうふるまうべきかについての高レベルな指示」を与えるものだと説明している。

そして決定的なのが次の一文だ。

「Any instructions provided this way will take priority over a prompt in the input parameter.」＝この形で渡された指示は、input に入った文よりも優先される。

AI英会話に置き換えると、こうなる。

アプリの運営が書いた指示文＝instructions。利用者には見えず、優先度が高い。
利用者が話した英語＝input。優先度は下。
AIが返した英語＝assistant ロールのメッセージ。

つまり画面で「もっと簡単な英語で話して」と頼んでも、運営側のプロンプトに反する内容なら通らないことがある。

設定画面に用意されているつまみだけが効くのは、そこが運営のプロンプトに組み込まれた範囲だからだ。

プロンプトには権限の順番がある｜developerとuserは同じ重さではない

公式ガイドは、指示の強さがロールによって階層になっていると書いている。

Prompt engineering の「Message roles and instruction following」は、developer メッセージを「アプリ開発者が与える指示で、user メッセージより優先される」、user メッセージを「エンドユーザーが与える指示で、developer メッセージより後ろに置かれる」と定義している。

ロール	誰が書くか	優先度	AI英会話での中身
`developer`	アプリの運営	高	講師役の設定・訂正の方針・禁止事項
`user`	学習者	中	話した英語・打ち込んだお願い
`assistant`	モデル	―	返ってきた英語

同じガイドは、この関係をプログラミングにたとえている。

developer メッセージは関数の定義にあたり、user メッセージはその関数に渡される引数にあたる、という説明だ。

この比喩はAI英会話の体感とよく合う。

学習者がどれだけ話題を変えても「レストランでの注文の練習」から抜け出せないアプリがあるのは、抜け出さないことが関数の定義側に書かれているからだ。

逆に、話題がどこまでも流れていくアプリは、定義側をゆるく書いている。

プロンプトの標準構造は4ブロック｜Identity・Instructions・Examples・Context

では、その指示文は実際どう書かれているのか。

Prompt engineering は「Message formatting with Markdown and XML」の節で、developer メッセージは一般に次の順で4つの節を含むと書いている。

節	公式の説明	AI英会話ならここに何が入るか
Identity	アシスタントの目的・話し方・高レベルの目標を書く	「あなたは初級者向けの英会話講師である」
Instructions	どう返答を作るかの指針。何をすべきで、何を決してしてはいけないか	訂正の回数、使う語彙のレベル、日本語を混ぜてよいか
Examples	入力の例と、望ましい出力の例	学習者の誤文と、模範的な直し方のペア
Context	学習データの外にある追加情報。プロンプトの終わり近くに置くのがよい	その学習者のレベル、前回までの学習履歴

Context を末尾に置くのがよいとされているのは、リクエストごとに差し替わる部分だからだと公式が理由まで書いている。

同じ節は、Markdownの見出しや箇条書きでプロンプトの区切りと階層を示すこと、XMLタグで参照資料の始まりと終わりを区切ることも勧めている。

Examples の節が効くのは、few-shot learning と呼ばれる仕組みのためだ。

公式は few-shot learning を「ファインチューニングの代わりに、いくつかの入出力例をプロンプトに入れて新しいタスクへ導くこと」と説明し、モデルはその例からパターンを暗黙に拾うとしている。

そのうえで「多様な入力と、それに対する望ましい出力を見せること」を勧めている。

AI英会話の訂正フィードバックが妙に統一された形式で返ってくるなら、Examples に数本のお手本が置かれていると考えると筋が通る。

AI英会話の作りによって、プロンプトの置き場所は3つに分かれる

ここから音声の話に入る。

OpenAIのVoice agents は、音声アプリの設計で最初に決めるのは「音声を推論やツールにどうつなぐか」であり、選択肢は3つだとしている。

作り	公式が挙げる向き先	プロンプトはどこに置かれるか
GPT-Live	別のバックエンドを持つ全二重の会話	話し方は音声モデル、業務ルールはバックエンドと2か所に分かれる
Realtime API	音声・推論・ツール利用を1セッションで扱う	1本のセッション指示にまとまる
Chained voice pipeline	音声と文章の各段を自分で制御する	文字起こしとテキスト読み上げの間にある文章エージェントへ渡す

Chained の構成は、公式が3段だと明記している。

Speech-to-text（音声を文字にする）
The agent workflow itself（文章として考える）
Text-to-speech（文字を音声にする）

この違いは、学習者が受け取る体験に直結する。

Chained なら途中のテキストを保存したり、返答の前にポリシーチェックを走らせたりできると公式は書いている。つまり文法解説やスクリプトの保存がしやすい。

一方で Voice agents は、GPT-Live について「Keep speaking behavior in the live model’s prompt and business rules in the backend prompt.」＝話し方は音声モデルのプロンプトに、業務ルールはバックエンドのプロンプトに置け、と役割分担を指示している。

プロンプトは1枚ではなく、2枚に割られることがあるということだ。

音声のプロンプトは「話し方の条文」でできている｜相槌・割り込み・沈黙

音声モデル向けのプロンプトは、テキスト用とは書き方そのものが違う。

OpenAIのPrompting GPT-Live は、推奨するプロンプトのひな型を丸ごと公開している。

そこには Backchannel policy（相槌の方針）、Interruption policy（割り込みの方針）、Delegation policy（バックエンドへの委譲の方針）というラベル付きの条文が並んでいる。

ガイドは「Keep the policy labels.」＝ラベルは残したまま中身だけ差し替えろ、と書いている。

条文	ひな型の中身（公式そのまま）	英会話での体感
Backchannel policy	Use moderate backchannels. Acknowledge naturally without competing with the main response.	「mm-hmm」のような相槌を打ちながら聞く
Interruption policy	Stop speaking when the user interrupts. Listen to what they say.	こちらが話し始めたらAIが黙る
Delegation policy	Delegate before giving an answer that depends on backend work.	調べ物は裏の仕組みに渡してから答える

相槌については、ガイドが具体的な地雷まで書いている。

「Do not add a blanket “never speak while the user is speaking” rule alongside it.」＝相槌の方針と並べて「利用者が話している間は絶対に話すな」という全面禁止を足すな、というものだ。

理由も明記されていて、その全面禁止は役に立つ聞き手の音まで抑え込んでしまうからだとされている。

沈黙の扱いも条文になっている。

付録の「Silence and background noise」には「Keep listening while the user pauses to think.」「Do not treat a cough, music, or nearby conversation as a new request.」という2行が用意されている。

⇒ 英語が詰まって黙ったときにAIが割り込んでくるかどうかは、性能ではなくこの1行を入れたかどうかで変わりうる。

ただしガイドは、話すのを止めることと処理を止めることは別だとも注意している。「Stopping speech does not automatically stop backend work.」という一文がそれだ。

プロンプトで英語学習向けに変えられるのはどこまでか｜言語・発音・返事の長さ

学習者にとっていちばん知りたいのは、ここだろう。

Prompting GPT-Live の付録には、用途に応じて足す任意の条文がひとつずつ載っている。

返事の長さ＝「For routine questions, give one or two short sentences.」「For troubleshooting, give one step and wait for the user.」。1つずつ出して待たせる形が書ける。
言語＝「Speak [language] unless the user asks to switch.」。加えて公式は、話させたい言語でプロンプト自体を書けと指示している。
発音＝固有名詞の読みをIPAまで添えて指定する例が載っている。
聞き返し＝「If an important name, date, or number is unclear, ask about that part.」「Use the user’s correction. Do not guess the missing value.」。
反応する範囲＝「Respond when the user asks about [supported topic] or addresses you directly. Otherwise, keep listening.」。

言語の指定に関する注記は、英語学習者にとって特に重要だ。

「A voice choice does not guarantee a regional accent.」＝声を選んでも、その地域のなまりになる保証はない、と公式がはっきり書いている。

イギリス英語で練習したくて声を切り替えても、期待どおりにならないことがあるのは、この保証の無さに由来する。

同じ姿勢は聞き取りにも出ている。

「Prompts do not guarantee exact capture.」＝プロンプトは正確な聞き取りを保証しない、と書いたうえで、重要な部分が不明なら推測せず小さく聞き返せと勧めている。

AI英会話が自分の名前や数字を聞き返してくるのは、不具合ではなく設計どおりの動きでありうる。

プロンプトは長く書くほど良くなるわけではない

公式ガイドがいちばん強い言い方で止めているのが、条文の盛りすぎだ。

付録の冒頭には「Only add a rule if you need to change a specific behavior.」と太字で書かれている。

続けて「Most applications should start with the short prompt above. Copying every example makes the prompt longer and can introduce conflicting instructions.」＝例を全部写すとプロンプトが長くなり、矛盾した指示が混ざりうる、としている。

移行についても同じ趣旨の助言がある。

「Revise existing instructions and remove conflicts as you iterate.」＝作り直しながら矛盾を取り除け、という一文だ。

⇒ 「AIが言うことを聞かない」の原因は、指示が足りないことではなく、指示どうしがぶつかっていることかもしれない。

もうひとつ、ガイドは権限の担保をプロンプトに任せるなとも書いている。

「Keep detailed procedures in the backend prompt and enforce permissions and tool execution checks in your application.」＝権限とツール実行の確認はアプリ側で強制しろ、というものだ。

重複作業の防止についても「A prompt does not guarantee duplicate work will be avoided. Keep that check in your application.」と、同じ線が引かれている。

プロンプトと会話の長さの関係｜コンテキストウィンドウという上限

プロンプトには、書ける量そのものに天井がある。

Prompt engineering は「Planning for the context window」で、モデルが1回の生成で扱えるデータには限りがあり、この記憶の限界をコンテキストウィンドウと呼ぶと説明している。

単位はトークンで、モデルによって大きさが違うとも書かれている。

そして音声モデルについては、さらに踏み込んだ記述がある。

Prompting GPT-Live は「The live model has a small context window.」＝ライブモデルのコンテキストウィンドウは小さい、と明記している。

だから同じガイドは、長い業務手順はバックエンドのプロンプトに置き、音声側には短い受け渡しのルールだけを持たせろと繰り返している。

この上限は、AI英会話の「忘れる」挙動と直結する。

枠が有限である以上、長い会話では古い発言が押し出されうる。
指示文を長くすれば、その分だけ会話に使える枠が減る。
音声で全二重にするなら、指示文はさらに短く保つ必要がある。

なお公式は、繰り返し使う内容をプロンプトの先頭側に寄せるとprompt caching によるコストと遅延の節約を最大化できる、という運用上の助言も載せている。

AI英会話の応答が速いかどうかにも、プロンプトの組み立て方が関わっているということだ。

プロンプトについてのよくある質問

Q. アプリのプロンプトを利用者が見ることはできるのか。 A. 通常は見えない。公式が定義しているのは、開発者が渡す instructions と developer メッセージが、利用者の user メッセージより優先されるという構造だけだ。中身が公開されるかどうかは各サービスの方針による。

Q. 「間違いを毎回直して」と頼めばプロンプトを上書きできるか。 A. 頼むこと自体は user メッセージとして届く。ただし instructions で渡された指示は input の文より優先されると公式が明記しているので、運営の指示とぶつかる部分は通らないことがある（出典）。

Q. 同じプロンプトなら毎回同じ返事になるのか。 A. ならない。公式が「the content generated from a model is non-deterministic」と書いている。返事のばらつきは不具合ではなく前提だ。

Q. プロンプトでイギリス英語のなまりに変えられるか。 A. 声の選択が地域なまりを保証しないと公式が明記している。話す言語の指定はできるが、なまりの再現は保証の外にある。

Q. プロンプトは細かく書くほど良いのか。 A. 公式は逆を勧めている。「Only add a rule if you need to change a specific behavior.」とあり、例を全部写すと矛盾した指示が混ざりうるとされている（出典）。

Q. プロンプトは保存して使い回すものではないのか。 A. Prompt engineering は「Version prompts in code」の節で、本番のプロンプトはアプリのコード側に置くよう勧めている。加えて、再利用可能なプロンプトオブジェクトは非推奨化が進み、v1/prompts は2026年11月30日に停止予定だと書かれている。

まとめ｜プロンプトはAI英会話の「話し方」を決める設計図だ

もう一度整理する。

プロンプトは役割・口調・訂正の仕方・話す速さを決める。AIが持つ知識そのものは決めない。
指示には優先順位がある。instructions と developer が上、学習者の user が下だと公式が定義している。
標準構造はIdentity・Instructions・Examples・Context の4ブロック。Context は末尾に置くのがよいとされている。
音声ではBackchannel・Interruption・Delegation の3条文が用意され、相槌・割り込み・沈黙の扱いがここで決まる。
長く書くほど良いわけではない。コンテキストウィンドウには上限があり、音声モデルのそれは小さいと公式が明記している。