#実験

音声チャットデバイス化の実装4回目。RIFFヘッダ直書きでWAV化した録音をVPS中継へmultipart POSTし、返答WAVを再生するまでの最小往復。sync往復の実測とPSRAMでのmultipart組み立て、切り替えポップ対策のA/B

音声チャットデバイス化の実装3回目。サーバーもSDも外したボイスレコーダーでタップ5秒録音→即再生。山場と踏んだMic/SpeakerのI2S排他はすんなり通り、詰まったのはシリアルモニタが引き起こす画面フリーズだった

音声チャットデバイス化の実装2回目。かなちゃんのドット絵PNG 3枚をフラッシュに埋め込んでスプライト口パクさせる。Core2式の画面下の仮想ボタンを当てにした操作系が実機で崩れ、タップ=話しかけ・長押し=画面切替・フリック=音量に落ち着いた

音声チャットデバイス化の実装1回目。ESP32はTailscaleに入れないのでVPSのPHP中継経由にし、フィラーWAVをSDにキャッシュして再生、タッチの音量調整をNVSに永続化するところまで作った

Qwenアンバサダー枠でQwen3.8 Max preview（2.4兆パラメータ）への早期アクセスをもらった。実際に呼び出して動作確認したところまでを記録する。

音声を受け取って返答音声で返すサーバーをRTX 3050 Ti 4GBの一台構成で組んだ。kotoba-whisperとQwen3-ASR-0.6BのSTT比較、文単位ストリーミングTTS、フィラー音声で待ち時間を埋めた設計、実測タイムラインまでまとめた。

3キャラ合体LoRAに化粧オンオフ持ちの4人目(くらら)を追加、518枚(配分複製896)・rank256・約21.5時間で合体学習しep100を採用。AI生成マルチ素材の頭身インフレ実測と対策、エポック進行で起きるキャラ意匠の低率漏れと採用範囲の決め方、複数人ではmakeoffが効かない理由、プロンプト全指定で4人立ち・密着とも一発率6/6まで。

顔の造形は同一のまま化粧だけをオンオフする切り替えをキャラLoRAに焼き込めるか、Anima-Base+RunPodで3回学習して検証。無記述で焼き込んだ属性をタグで引き算する設計はcfg1.0で原理的に効かず、存在タグの足し算に転換して両方向の切り替えを達成(採用ep140)。RunPodのpod速度ガチャ対策も。

リリース当日のTypeScript 7をM4 Mac mini 16GBで実測。型がシンプルな大規模コードのlobe-chatは7.3倍、型推論が重いdrizzle-ormとEffectは4〜5倍で、--checkers 8はメモリを圧迫して逆に遅くなる。Vue製ComfyUI_frontendで動かない理由も確認した

AnthropicのJ-lens実装をQwen3-4B-Instruct-2507用に自作（4090で51分・約1ドル）し、単一層SFT文体校正器の差し込みモデルを層ごとに読む。出力は入力そのままなのに、内部はベースと大きく違っていた。

RL限定だった単一層訓練の層局在（arXiv 2607.01232）をSFTで追試する。Qwen3-4Bの深さ25/50/75%を1層ずつフルランク学習し、同一データで再学習したLoRAベースラインと比較。eval_lossには論文と同じ中間層の局在が出たが、書き換えを実際に流すと数字と別の顔になった。

Xで見かけた「ノード改造でピクセル位置パーフェクト編集」の主張をM1 Max + ComfyUIで測定した。ずれの原因はTextEncodeQwenImageEditPlusの内部リスケールで、ReferenceLatentを足せばカスタムノードなしで再現できる。表情・衣装・ポーズ差分の量産テストと等身維持の計測、2.3MPや非16倍数寸法の境界条件まで。