音声・ボイスAI（音声認識 STT / 音声合成 TTS / 音声エージェント）の実装ガイド

Next.js 16 と Qwen-TTS で、記事やドキュメントを読み上げるアクセシブルな音声プレイヤーを実装するガイド。サーバー側でのTTS生成（Zod検証・内容ハッシュのキャッシュ・鍵の秘匿）と、WCAG 2.2準拠のReactプレイヤー（キーボード操作・aria-live・自動再生なし・prefers-reduced-motion・フォーカス管理）を、型安全な実コードで解説します。

Qwen-TTS / Qwen3-TTS を本番品質で使う実装ガイド。公式ドキュメントに忠実なモデル一覧（qwen3-tts-flash / instruct-flash / realtime / qwen-tts）、49音色・10言語・9つの中国語方言、DashScope API（Python・HTTP・ストリーミング）とOSS版（Apache-2.0・3秒ボイスクローン・ボイスデザイン）の使い分け、料金・冪等・回復性・可観測性・倫理まで実コードで解説します。

Qwen3-TTS-Flash-Realtime で「話しながら返す」低遅延の音声エージェントを本番実装するガイド。WebSocketの双方向プロトコル（session.created / response.audio.delta / session.finished）、server_commit と commit の使い分け、LLM出力のストリーミング合成、ブラウザでのPCM 24kHzギャップレス再生、バージイン（割り込み）、接続の回復性・first_audio_delay計測まで実コードで解説します。

Qwen3-TTS のOSS版（Apache-2.0）で、3秒音声からのボイスクローンとボイスデザインを本番運用するガイド。GPUセルフホストのセットアップ、FastAPI推論サーバー（型安全・冪等キャッシュ・GPU共有）、そして最重要の同意台帳・用途限定・AI生成の開示・来歴（プロベナンス）・監査ログまで、なりすまし/詐欺リスクを構造で抑える設計を実コードで解説します。

音声合成（TTS）API/モデルの選定ガイド。Qwen3-TTS-Flash・ElevenLabs Flash v2.5・OpenAI gpt-4o-mini-tts・Google Chirp 3 HD・Azure Neural/Custom Neural Voice を、料金（文字課金 vs トークン課金）・対応言語・セルフホスト可否・ボイスクローン・遅延・データ所在の6軸で公式情報ベースに比較。要件から逆算する意思決定フレームワークを提示します。

OpenAI Whisper を本番品質で使うための実装ガイド。公式ドキュメントに忠実なモデル一覧（large-v3 / turbo）と Audio API（whisper-1 / gpt-4o-transcribe / gpt-4o-mini-transcribe）を整理し、セルフホスト vs API の選定フレームワーク、25MB制限の回避、SRT字幕生成、固有名詞のprompt誘導、幻覚（hallucination）対策、冪等・再開・可観測性まで、実コードで解説します。

店舗の対面接客を代替する生成AI音声エージェントを、PoCではなく本番運用まで持っていくための設計を実コードで解説。リアルタイム音声ループ、非同期・並列推論パイプライン、pgvectorによるRAG、ハルシネーションの構造的排除、AWS本番アーキテクチャまで。

放送番組のテロップ（字幕）の誤字脱字を自動検出するMLパイプラインを、実コードを唯一の真実源として解説します。ローカルOCRで切り替わりを検出してLLM OCRを差分だけに当てるハイブリッドOCR、OCRと音声認識のクロスチェック、Cloud Workflowsによる並列化（約30%短縮）、セグメント単位の冪等・再開可能設計、Firestore×SSEの単調進捗までを実装レベルで掘り下げます。