割り込み可能な対話型音声AI

発話中の割り込み（バージイン）に完全対応しています。

音声再生中もマイクの入力チャンネルが開いた状態を維持しているため、AI の応答途中で話しかけると音声生成が即座に中断され、再生キューがクリアされて次のターンへ移行します。

• 検証基準：デプロイガイドの手動テスト手順に基づき、連続 3 ターン、各回答開始から 0.5〜1 秒後の割り込み動作を確認済みです。

ハードウェア AEC（音響エコーキャンセラー）を搭載したマイクアレイが必須です。

一般的な USB マイクを使用すると、スピーカーから出力された自分自身の音声をマイクが拾ってしまい、AI が自身の発話に誤って割り込みをかけてしまいます。

• 推奨ハードウェア：reSpeaker XVF3800（検証済み標準マイクアレイ）
• その他のマイク：第 1 チャンネルの音声採取で動作可能ですが、現場の音響環境に応じた調整が必要です。

フルローカルプリセットであれば、オフライン環境で完全に動作します。

すべてのプリセットで音声入出力処理はエッジ側で実行されます。

• フルローカル構成：初回起動時のイメージ・モデル取得完了後は、外部通信なし（完全オフライン）で稼働
• クラウド構成：LLM 呼び出しのため、継続的なインターネット接続（API アクセス）が必要です。

最大 30 言語に対応しており、言語数とモデル規模に応じて必要なハードウェアが異なります。

• 英語・中国語：reComputer RK3576、RK3588、Orin Nano、Orin NX で利用可能（英語のみであれば reComputer R2000 でも動作）
• その他 28 言語：十分な計算資源を持つ reComputer RK3588 または Jetson Orin シリーズが必要
• 非対応構成：reComputer R2000 シリーズ上での中国語処理はシステムにより起動拒否されます。

実用的な文字認識率（CER）を担保できない構成での誤運用を防止するためです。

• 実測精度：実機検証において R2000 上の Whisper 中国語 CER（文字誤り率）は 35〜56% に達し、業務利用に耐えません。
• 事前チェック仕様：サービス起動前にハードウェアと選択言語の組み合わせを自動検証し、不良稼働を未然に防ぎます。

エッジ専用モデルの最適化により、主要ボード上で高い認識精度を達成しています。

• reComputer RK3576：中国語短文 CER 1.05%（10〜20秒音声で 9.62%）、英語短文 WER 3.65%（長文で 6.99%）
• reComputer J4012 (Orin NX 16GB)：Qwen3-ASR 最適化モデルにおいて Golden Set で CER 0% を記録

※ 言語・ハードウェアの組み合わせ全 18 パターンのうち、10 パターンは実機デプロイ可能として検証済みです。

リアルタイム対話におけるターン終了検出（ポーズ検知）の設計に起因します。

• メカニズム：発話途中の無音（ポーズ）を検知するとその時点で 1 ターンと判定するため、息継ぎのある長文は前節のみで応答が開始されます。
• 評価上の見え方：全文を正解データとして採点すると見かけ上の誤り率が上がりますが、音声認識モデル自体の誤認識ではありません。
• 今後の改善：ポーズ間隔を跨いでターンを継続する柔軟な VAD チューニングを順次提供予定です。

OpenAI 互換の Chat Completions API に対応していれば、外部サービスと容易に統合できます。

対話モデルの接続先エンドポイントを自社サービスに向けるだけで接続が完了します。

• 対応サービス：ストリーミング対応の RAG サービス、AI エージェントフレームワーク、ロボット制御指令層など
• メリット：音声認識・合成レイヤーに手を加えることなく、そのままシームレスに差し替え可能です。