eetakoai– Author –

AI英会話が話の途中で返事を始めるのはなぜか。ターン検出には沈黙の長さで切るserver_vadと、話した言葉から言い終わりを判定するsemantic_vadの2方式がある。しきい値・沈黙時間・eagernessという3つのつまみを、公式ドキュメントの記述だけから分解した。

AI英会話の感情は、AIが出す側と読む側で扱いがまるで違う。出す側はSSMLのstyle・styledegree・roleやOpenAIのinstructionsで指定できるが、読む側に感情の出力項目は見当たらない。ProsodyScoreが何を測っているかまで分解する。

AI英会話は自分の声とAIの声、まわりの人の声をどう区別しているのか。公式ドキュメントに実在する記述だけを材料に、話者分離の上限が最大35人であること、リアルタイムのチャネル分離が最大2つであること、重なった声が背景雑音として無視されうることまで分解した。

AI英会話で文法が直らないのは、あなたの英語を文字にする部品と、文法を見る部品が別物だからだ。音声認識は句読点や数字表記を足し、言い直しを削ってから渡している。公式ドキュメントの記述だけで、その整形の中身と指摘が決まる場所を分解した。

AI英会話が扱う英語は1つではない。公式の一覧を自分で数えると、聞き取りは英語15ロケール、発音の採点は5ロケール、抑揚とリズムの採点はen-USのみだった。手本の声の在庫にも偏りがある。訛りが仕様のどこで、どう扱われているのかを分解した。

AI英会話の道具立てでシャドーイングはどこまで成立するのか。SSMLのprosody・break・emphasis・phonemeで手本の音を作り、参照テキスト付きの発音評価で答え合わせをする。公式ドキュメントに実在するタグと属性だけを材料に、できることとできないことを分けた。

AI英会話の会話を作っているLLMは、何をしていて何をしていないのか。OpenAIの公式ドキュメントに書かれている記述だけを材料に、指示文・会話の履歴・コンテキストウィンドウ・ガードレール・非決定的な出力という5つの層から分解する。

AI英会話で聞こえる相手の声は、テキストをその場で音に変える音声合成が作っている。選べる英語の声は何種類あり、話速とピッチはどこで変わり、発音はどこまで上書きできるのか。3社の公式ドキュメントの記述だけで仕組みを分解した。