今回は人間1人+ChatGPT+Geminiで会話してみました。
実験環境
- Windows PC 1台
- ChatGPTの音声会話(Microsoft Edge)
- Gemini Live(Google Chrome)
- Voicemeeter Banana(音声ルーティング)
- 人間のマイク
ZoomもAPIも使っていません。2つのブラウザで動く2つのAIの音声を、仮想オーディオミキサーで相互に届ける構成です。
※上図は概念図です。具体的な入出力設定は省略しています。
実験結果
人間を交えた3者の音声会話が成立しました。 ChatGPTとGeminiが互いの発言に応答し、途中ではGeminiからChatGPTへの司会交代も試せました。
一方、会話の流れから外れ、以前の話題に戻ってしまう場面もありました。AI同士をつなげば、必ずしも会議が自然に進むわけではないようです。
今後の課題:誰が話したか分からない
今回、特に課題だと感じたのはAIによる話者の識別です。
AIが発言者を認識し、誰への問いかけかを理解できることが重要です。
今のAIにはこの機能が無く、誰から誰へ、を明確に会話の中で言わないと判別ができないようでした。リアルタイムの音声識別など、今後の音声会話機能の進化に期待しています。
まとめ
PC1台、Zoomなし、APIなしでも、異なるAI同士を音声で会話させられました。 次の壁は「何を話したか」だけでなく、**「誰が話したか」**を理解すること。複数AI会議の可能性と課題の両方が見えた実験でした。
本記事は個人の実験結果です。話者識別に関する記述は今回の構成での観察であり、すべてのAI音声技術に当てはまるものではありません。
