#実験

資格試験教科書のPDF抽出テキストをQwen3.8 Max previewで整形し、RunPodの4090上のIrodori-TTS 5プロセスで素読み15時間と掛け合い23時間の音声教材を生成した。reasoning_effortの18倍高速化、CUDA故障ホストの切り分け、実効13倍速の並列構成まで全部書く。

ModelScope経由のQwen3.7とAlibaba Cloud Model StudioのQwen3.8で、OpenAI互換chat.completionsのenable_search、DashScopeのsearch_options、Responses APIの組み込みweb_searchツールを比較検証。雑談に検索を混ぜるとreasoning_tokensが10倍以上に跳ね、Qwen3.7-Maxはテキスト専用で画像入力はQwen3-VL系が別に必要と分かるまでを実測した。

音声チャットデバイス化の実装5回目(工程3の仕上げ)。action=asyncとポーリングでフィラー→文単位チャンクを無音ギャップなしで再生、job_id受領から返答開始まで実測8.3秒。U144のポート自動判定と押している間だけの可変長録音

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