#AI

実況 AI が一歩遅れるので語るのをやめて相槌にした

カメラの前でゲストが手元の対象を次々切り替える様子を実況する音声 AI は、対象ごとに語ると構造的に追いつけず常に一つ遅れました。実際の MC に寄せて基本は相槌、語るのは掲げた・止めた・声を上げたときだけにすると、高速な切り替え中も体験として成立しました。一方で検出器が「動きの山」しか見ておらず、止めて掲げた 20 秒間（差分 4〜8）を見逃し、静止イベントを足したら既存トリガーと二重発火して自己キャンセルが連鎖した経緯と、直列キューでの対処を記録しています。

LLM は喋っているのに音声が出ない原因は進行装置のフラッシュ

ライブ音声 LLM の上に番組進行の装置（状態機械・フェーズ転換・キュー注入）を被せたら、出力トークンは計上されているのにスピーカーから何も出なくなりました。原因は検出器の誤発火で 60 秒に 7 回フェーズが空転し、転換のたびに再生キューをフラッシュしていたことです。同じ条件でフラッシュを外すと発話が成立しました。制御を足すのではなく合図を引き算し、状態機械の責務をセッション寿命だけに縮めた設計の記録です。

検出器の精度ではなく誤検知時の体験で仕様を書く

リアルタイム AI アプリの動き検出で、精度チューニングが終わらない問題を精度を上げずに解決しました。検出結果の使い方を信頼度で二層に分け、低信頼側には疑問形の先走り反応しか許さない設計にすると、雑な検出器のまま出荷できます。64x48 のフレーム差分・約 30 行の実装で、音声実況 AI のシーン遷移がハンズフリーで 6 サイクル回りました。誤検知は早とちりというキャラクターの芸として体験に吸収されます。

システムプロンプトの禁止事項が効きすぎて出力が痩せる

映像を見て実況する音声 AI のシステムプロンプトに「見えていても知らないふりを通す」と書いたら、対象物の存在への言及まで消えました。「数字を数えない」と書いたら、目の前の個数の実況まで消えました。表層の語で書いた禁止は、モデルが安全側に過剰般化します。観察（可）と同定・評価（不可）のレベルに分けて対例つきで書き直すと、抑制の副作用が消えました。

Claude Code の Docker Sandbox で API キーが渡らない原因

Claude Code の Docker Sandboxes で、sbx secret で入れたはずの API キーが環境変数に現れない、gh CLI が一部のコマンドだけ失敗する、という 2 つの症状に当たりました。正体はどちらも、プロキシがネットワーク層で認証を注入するというこの環境の設計です。direct モードでの実用解（ホスト側に .env を置く）と、gh の更新系操作を読み戻しで検証する運用を実測ベースで書いています。

Gemini Live API の proactive audio は自発的に喋らない

proactive audio という名前から「AI が自発的に喋り出す機能」を期待して設計を組んだら、公式リファレンスの定義は「直前の入力への応答を拒否できる」、つまり黙る自由を与える機能で、向きが逆でした。自発的に喋るエージェントを作るならテキストキュー駆動が正解で、実測の初動 0.6〜1.0 秒で実用になります。2.5 Flash Live 系限定という制約も含めて整理しました。

Gemini Live API のセッションが突然切れる 3 つの制限

Gemini Live API のセッションが切れる理由は、セッション時間の上限・WebSocket 接続の寿命・ephemeral token の期限の 3 層に分かれていて、対処がそれぞれ違います。公式ドキュメントの数値を出典付きで整理し、GoAway が来ない切断への備えと、会話の切れ目まで粘ってから張り替える実装パターンをまとめました。

Gemini Live API にテキストを送っても音声が返らない原因

Gemini Live API に clientContent でテキストを送ったのに、音声もエラーも一切返ってこない症状の原因です。turnComplete: false で送ったテキストは 2 モデルとも 7 発話中 0 応答で、完全に無視されました。エラーが返らないぶん切り分けが難しく、対処は毎回 turnComplete: true で送ることです。3.1 系のドキュメント記載との食い違いも記録しています。

Gemini Live API の音声応答が 6 秒遅れる原因は thinking

Gemini Live API の native audio モデルで、テキストを送ってから音声が返るまでの初動が最大 6 秒かかっていました。原因はモデルの地力ではなく、思考モード（thinking）が既定で有効なことです。thinkingBudget: 0 を指定すると初動の中央値は 976ms、最悪値も 1.3 秒に収まりました。preview 2 モデルでの実測データ付きです。

Claude Code のサブエージェント並列でサイト群を保守する

AI コーディングエージェントを「1 人のアシスタント」ではなく「司令塔 + 並列の実働班」として編成し、本番の複数サイトを日々保守している運用の設計を書きます。git worktree での物理分離、指示書に埋め込む計測プロトコル、権限の非対称、司令塔による二重検証、人間の介入点の切り分け。実際に出荷を止めたガードレールや、報告と実体の乖離といった実例と、この方式の限界まで含めてまとめます。

AI エージェントを自走させるのはプロンプトではなくハーネス

AI コーディングエージェントの自律性を支えるのは長い指示書ではなく、成果物を機械的・決定的に合否判定する検証系（ハーネス）です。LLM は確率的、ハーネスは決定的というこの非対称を、決定的パイプライン・Claude Code の Hooks・ドメイン固有の検証プロトコル・観測とフィードバック・権限という5つの層に整理し、人間の介入点をどう絞るかを実運用の事実に沿ってまとめます。

Claude Code のチーム機能とサブエージェントの使い分け

「チーム機能はエージェント同士が P2P で連携できる。サブエージェントは親に報告するだけ。なら常にチームが上位互換では？」という直感に、両者の機構の違いから答えます。サブエージェント並列を実務で回している立場から、指示書が書けるか否かという一本の判断基準まで整理しました。

3年前の下書き記事「ChatGPTを使ったWeb開発の未来」を見て時代の変化を感じた

AI時代に直面しているエンジニアの構造変化

「スキルが消えたんじゃなくて、単価が下がった」——AI時代に実装の中間層が溶け、上下が残る構造変化。自分のポジションをどう診断するか。

【無料】Bing AIでブログ記事を自動作成するコツ

Bingのチャット機能（Bing AI）は、有料版ChatGPTの機能が使える裏技的な方法で、執筆時点で最も高性能なモデルのGPT-4やブラウジング機能が使えます。この記事では、そのBing AIを使ってブログ記事を作成するコツをご紹介します。

AIで動画の文字起こし、記事作成、サムネ画像作成を同時に行う

動画の文字起こしから、ブログ執筆、さらにはサムネイル画像の生成まで、AIの力で一気通貫で行う方法をご紹介します。動画とブログの二刀流を実現したい方におすすめの方法です。