Raspberry Pi 音声アシスタント

話しかけると音声で答える、クラウドを使わない小型AI端末。

Raspberry Pi 4に、三脚に立てたUSBコンデンサーマイクと小型ステレオスピーカーをつないで床に並べた実機の写真。ディスプレイもキーボードもつながっておらず、音声の入出力だけで完結する構成になっている。

スマートスピーカーは便利な反面、話した内容がクラウドに送られます。同じことを手元だけで完結させられるかを確かめるために作った、Raspberry Pi 4の音声アシスタントです。USBマイクで録音し、whisper.cppで文字起こしし、内容に応じた返答を組み立てて、Open JTalkで読み上げます。この一連の処理をすべてラズパイ内で動かしているため、APIキーも通信費も不要で、ネットワークを切っても動きます。実用的な応答速度を出すためモデルは最小構成を選び、録音デバイスやモデルのパスは環境変数で差し替えられるようにしました。デバイス設定や音声入出力の調整といったハードウェア側の環境構築も含めて自分で行っています。

使用技術

Raspberry Pi 4
Python
whisper.cpp（音声認識）
Open JTalk（音声合成）
ALSA
USBマイク

担当

構成設計
録音・再生の実装
文字起こしと応答処理の実装
デバイス設定・調整

成果

録音から読み上げまでをラズパイ内だけで完結
クラウドAPIを使わず、APIキーも通信も不要
録音デバイスとモデルのパスを環境変数で切り替え可能に

制作期間

試作

ステータス

試作完了

設計上のポイントと利用の条件

音声の入口と出口を、USBマイク、ALSA、文字起こし、返答処理、読み上げへ分けた構成です。音声認識にwhisper.cpp、合成にOpen JTalkを使い、クラウドへの音声送信を必要としない小型端末として組み合わせています。

Raspberry Pi上ではモデルの大きさや入出力機器の設定が応答の体験に直接影響します。この試作では小さなモデルと環境変数でのパス指定を採用しています。万能な対話サービスを目指す説明ではなく、手元の機器だけで一連の音声処理を成立させる試作として紹介しています。