eetakoai– Author –

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。

AI英会話の分割は容量・時間・文脈の3つの上限で起きる。25MBの上限と無音で切る手順、語尾が消える・表記が変わる・前半を忘れる3症状の原因を分解した。

AI英会話の認識候補は裏で複数作られ、画面に出るのは1位だけ。本数の指定と確からしさの数値、2位以下が使われる場面を公式ドキュメントから分解した。

AI英会話のSSMLで指定できるのは間・速さ・読み方・発音・強調の5系統。breakとprosodyの書き方、効かないときの切り分けを公式ドキュメントから分解した。

AI英会話で「記録しておいて」が通るとき、AIは実行していない。出しているのは関数名と引数の入った注文票で、動かすのはアプリ側だ。公式ドキュメントは自然な返事が実行の証明にならないとも明記している。4段の往復と承認の仕掛けを仕様から分解した。