― 試行錯誤だらけの音声トリガーAI構築記 ―
はじめに：なぜ作ろうと思ったのか
ChatGPTは便利だ。
でも正直に言うと、
- いちいちキーボードを触るのが面倒
- 思考の途中で手が止まる
- 「話しかけられるAI」感が薄い
と感じていた。
特に教育や思考整理で使うなら、
「思いついた瞬間に声で投げたい」。
そこで思った。
「ねえチャッピー」って呼びかけたら
勝手にChatGPTが起きてきて、
そのまま会話できたら最高じゃないか？
AlexaやGoogle Assistantみたいな完成品もあるけれど、
今回は チャッピーと連携させたかった。
目標設定
最初から欲張らないことにした。
- PCはWindows
- ChatGPTは公式Windowsアプリ
- 音声は「起動トリガー」だけに使う
- 重い常時リスニングやクラウド常駐は避ける
つまり、
「ねえチャッピー」
→ 🎤が自動で押される
→ あとはChatGPTに任せる
この一点突破。
全体構成（後から見て「意外と素直」）
仕組みを分解するとこうなる。
① Python：耳の役割
- 一定時間ごとにマイクを録音
- 音量が小さすぎるものは無視
- 音声認識で「ねえチャッピー」を検出
- 検出したらショートカットキー送信
② AutoHotkey（AHK）：指の役割
- Ctrl + Alt + G を受信
- ChatGPTアプリを前面に出す
- 🎤ボタンをクリック
③ ChatGPT：脳の役割
- 音声モード起動
- 以降は完全にChatGPT任せ
役割分担すると、
Pythonが「判断」して、AHKが「操作」する構造。
最大の沼：マイク問題
正直、ここが一番時間を食った。
Realtekが全然言うことを聞かない
- 入力テストの青バーが動かない
- 音は拾っている「はず」なのに無音扱い
- ノイズ抑制をONにすると完全沈黙
Realtek Audio Consoleを開いては閉じ、
設定をいじっては再起動……を何度も繰り返した。
結論：Webcamのマイクを使った
最終的に、
「他にマイクがないし、
webcamにマイク付いてるよな？」
と気づいて切り替えたら、
一発で安定。
- 入力レベルが安定
- ノイズ処理が素直
- Python側の音量判定も楽
結果的に
“専用マイクがなくてもいける”
という実用的な落としどころになった。
「無音っぽいのでスキップ」が多すぎ問題
次にハマったのがここ。
最初は、
np.abs(audio).mean()
で音量判定していたが、
- 「ねえ」「ちゃ」みたいな短い発話
- 語尾だけ入る音声
が平均値だと 小さすぎて無音扱いになる。
解決策：ピーク音量を見る
peak = np.abs(audio).max()
これに変えたら、
- 短い呼びかけでも拾える
- 環境音では誤爆しにくい
という、かなり実用的な挙動になった。
UnknownValueErrorは敵じゃなかった
ログに頻繁に出てきた
UnknownValueError()
最初は「壊れた？」と思ったが、
調べるとこれは、
「音は拾ったけど、
言葉として自信を持って判定できない」
という意味。
つまり、
- 無意味な雑音
- 中途半端な独り言
に反応していない証拠。
なので例外は握りつぶして、
落ちない設計にした。
完成後の体験：
ラグい
やっぱり製品版のアレクサとかは上手いなと思った。
聞き取りは百発百中とはいかないし、聞き取り、チャッピーの起動、チャッピーからの応答、全てが遅い。
上手く調整すればもっと良くなりそうな気もするけど、まあこれはこれで良いかな。
パイソンのコード
import time
import numpy as np
import sounddevice as sd
from scipy.io.wavfile import write
import speech_recognition as sr
import keyboard
TRIGGERS = [
“ねえチャッピー”, “ねえ ちゃっぴー”, “ねえちゃっぴー”,
“ねえ チャッピー”, “ねえちゃ”, “ねえ ちゃ”,
“ねえ ちゃっていい”
]
COOLDOWN_SEC = 5
DURATION = 4.0
SAMPLE_RATE = 16000
r = sr.Recognizer()
r.energy_threshold = 300
r.dynamic_energy_threshold = False
last = 0
print(“待機中：「ねえチャッピー」と言ってください”)
print(“（終了するには Ctrl+C）”)
while True:
audio = sd.rec(int(DURATION * SAMPLE_RATE),
samplerate=SAMPLE_RATE,
channels=1,
dtype=”int16″)
sd.wait()
write(“temp.wav”, SAMPLE_RATE, audio)
mean = int(np.abs(audio).mean()) peak = int(np.abs(audio).max()) print(f”(level mean={mean} peak={peak})”) # peak判定：短い発話でも拾いやすい if peak < 1000: print(“（小さすぎてスキップ）”) continue with sr.AudioFile(“temp.wav”) as source: data = r.record(source) try: text = r.recognize_google(data, language=”ja-JP”) print(text) now = time.time() if (“ねえ” in text) and any(t in text for t in TRIGGERS) and (now – last) > COOLDOWN_SEC: print(“起動！【キー送信前】”) time.sleep(0.1) keyboard.send(“ctrl+alt+g”) time.sleep(0.1) print(“起動！【キー送信後】”) last = now except Exception as e: print(“（認識エラー）”, repr(e))
AHKのコード
Requires AutoHotkey v2.0
UseHook
^!g:: {
; ChatGPTを前面に
WinActivate(“ahk_exe ChatGPT.exe”)
WinWaitActive(“ahk_exe ChatGPT.exe”, , 1)
Sleep 200
; ChatGPTウィンドウ基準でクリック（安定） CoordMode(“Mouse”, “Window”) Click(1090, 936)
}