技術

Arduinoで書いたCoreS3の音声チャットを、ESP-IDF 5.5.4とarduino-esp32 3.3.10のコンポーネントで組み直し、Tailscaleの直接UDPで自宅の音声サーバーへつないだ実機記録。ESP-IDF 6.0での失敗、起動直後に頭上タッチが勝手に反応する問題と、その間は受け付けない「準備中」の追加まで。

CoreS3に入れたESP32向けTailscaleを、東京DERP経由から端末間の直接UDPへ切り替えた実機記録。DISCOの実装を差し替え、lwIPの二重ロックやHTTP/2のウィンドウ切れなど4つの不具合を直すと、同じWAVの取得が約9秒から約2.4秒になった。

M5Stack CoreS3を載せたStackChan Bodyで、頭のタッチで話しかける音声チャットを組んだ。起動直後にタッチの誤検出で録音が走り、サーバーのQwen3-ASRが無音からヒント語を書き起こして返事まで作っていた現象の切り分け。端末・中継・サーバーの対策から表情切り替え、フィラーの作り直し、声の途切れで送る操作への変更まで。

M5Stack CoreS3を載せたStackChan Bodyの顔を、128x128のドット絵からかなちゃんの絵に差し替えた。目と口と表情の差分はModelScopeのQwen-Image 2.1で作り、実機では目と口の範囲だけを上書きして目ぱち・口パクさせ、頭を叩くと喜怒哀楽が切り替わる。顔を画面いっぱいにする切り抜きと、5表情をフラッシュに入れた容量まで。

M5Stack CoreS3を載せたStackChan Bodyで、上面の3ゾーン静電タッチをKeyユニットの代わりに使えるか実機で確認した。叩く・撫でるの判定ログ、撫でる速さの範囲、首振りのあとタッチが触れっぱなしのまま戻らない現象と、再キャリブレーションでの回避まで。

ESP32向けTailscale実装をCoreS3へ組み込み、VPSのPHP中継を通さず音声サーバーのWAVを取得。端末登録、スタック不足、TLSの異常終了を修正し、東京DERP経由で実機接続を確認した。

Qwen-Image 2.1の編集をM1 MaxのDiffusersで測った。832×1216の元画像は既定のままだと832×1248に伸ばされ、出力の人物が約2.7%細くなった。output_resolution=1006を指定するだけで、画像全体の位置ずれは約0.1pxに。表情差分、片方だけの着せ替え、背景の透過も1枚約4分半で処理できた。

M1 Max 64GBのDiffusersで1枚約10分かかるQwen-Image 2.1に、学習なしで使えるTaylorSeerキャッシュを入れた実測。既定のKVキャッシュと併用すると2ステップ目でエラーになるので、十数行のパッチで回避し、参照画像つきの編集も721秒から278秒になった。

Qwen-Image 2.1の公開重みをM1 Max 64GBで動かし、4月のAnima・WAI-Anima・WAI-Illustriousの作例と比較。立ち絵・走る場面・NSFWは同じプロンプト、i2iは同じ元画像を使った。生成は1枚約10分でAnima系の2倍強かかり、i2iでは顔をほぼ変えなかった。

秋葉原のジャンクで1台100円だったACS ACR1251U-M3。Windows 11に挿すとリーダーとしては認識されるのに、カードを一切検出しない。ドライバ、設定、給電、ファームウェアと順に切り分けて、NFC電子ペーパーEZ Signの書き換えまで試してみた。

秋葉原の千石電商で購入したM5Stack公式のStackChan Bodyに、手持ちのCoreS3を取り付けて起動確認した記録。DIN Baseからの取り外し、内部4ピンコネクタとM-Busの接続手順を写真付きでまとめる。

ModernBERT、Qwen、拡散モデルで作られたJevクローン6種を比較。本文の計算共有、質問の分離、候補の採点方法から、Jevの挙動を説明できる部分と各方式の限界を確かめた。