実際に作っていく

まずベースとなるAIはもともと私が日本語会話を8万文程度学習をさせていたTensorFlowで作ったサーバーで稼働するAIなのでこの辺は特に準備は必要ありませんでした。

で、このAIをどうやってGUIソフトに組み込むかと言うと、「Tkinter」と「Flask」です。

Flaskは各PCからのリクエストにAIからのレスポンスを返すために必要なもので、Tkinterは各PCのAIへの窓口（発話ボタンとかついているソフト）を作るために必要なモジュールです。

それで、声で対話するためにはもちろん音声データをAIで解析させる技術は持ち合わせていない上に、精度の高いものを作ろうとすると確実に時間がかかるので、今回は数あるAPIの中から評価の高いIBM社のWatson Speech To TextというAPIを使ってみようと思います。

で、Speech To Textで文字起こしした本文をFlaskとAIの稼働するサーバーにrequestsモジュールで送信し、レスポンスを返してもらう流れ。

さらにそのSpeech To Textに送る音声を録音するのは「Pysound」モジュール。

こちらは録音秒数を決めなければならないという音声アシスタントとしてはあるまじき仕様になってしまうのですが、私はWatsonのAPIの無料会員（ライト）なので、月500分の音声データまでしか書き起こししてくれないんですよね。

無駄に「え〜〜〜」で30秒とかの音声をリクエストされるより、7秒くらいの時間制限を設けたほうがむしろ良いという考えです。

さらにそのレスポンスを音声化するのにGoogle社のGoogle Text To Speech(gtts)のPythonモジュールを利用します。

実はこの声、TNTNで回転する鳥のおもしろ動画で有名な「Google翻訳のお姉さん」の声と全く同じなんですよね。多分Google翻訳の日本語読み上げも同じテクノロジーが使われているんだと思います・・・Googleだしね・・・

でもGoogle Nest Hubの声とはちょっと違うような・・・(もういいわ)

ってか思いついたものを形にするだけならPythonって有能なのでは・・・？