今回やったこと
Raspberry Pi 5（ホスト名 alice）上で、音声入力からAI応答、音声出力までの一連の経路を実機で動作させた。
現在の経路
- SPH0645 I2S MEMSマイク ×2
- 48kHzで音声入力
- ソフト内部で16kHzへ変換
- faster-whisperでSTT
- Ollama qwen2.5:3bで応答生成
- VOICEVOX「冥鳴ひまり（ノーマル / id=14）」でTTS
- 24kHz生成音声を48kHzへ変換
- MAX98357A I2Sアンプ → 8Ω2Wスピーカー
決まったこと
音声I/Oデバイスは48kHzを基本とし、STT/TTSに必要なサンプリングレート変換をソフト側で吸収する。
VADはマイク信号との相性から現時点では不採用で、固定4秒録音方式を使用している。本番系ではWake Word + VAD方式へ再検討する。
次にやること
自然な割り込み、ウェイクワード「しは」、会話継続、異常時の安全応答をShiha Core側へ統合する。