リアルタイム音声-音声モデルは、VAD→STT→LLM→TTSパイプラインを置き換える準備ができているのでしょうか？ コンテキストウィンドウが大きくなり、モデルが意図を読み取る能力が向上するにつれ、ユーザーは 「バイブインタラクション」へとシフトしています。ゲーム物理エンジンと会話AIの類似性を探り、 両者に必要なガードレールとフロー制御について考察します。

最近のブログ執筆は、ほぼリアルタイムで行う必要があります。数日間でもコンテンツを寝かせると、 すぐに時代遅れになるリスクがあります。前回の投稿では、AIインターフェースの使いやすさに対する障害、 たとえば中断や遅延についてお話ししました。2週間も経たないうちに、 OpenAIがこれらの問題に直接対応するリアルタイムAPIをリリースしました。ここで、 私の初見の感想をお伝えします。

御社のスタートアップは何についてですか？これはどの創業者にも間違えられない質問です。 それでも私はここにいます。創業から3年、数え切れないほどのピボットを経て、この質問を思い巡らせています。