エグゼクティブ音声インターフェース

1. 音声トランスポート — LiveKit + WebRTC

LiveKit Server が WebRTC 音声ルーティングを処理します。ブラウザや電話はトークンサーバーへ WSS で接続し、LiveKit にプロキシされます。Tailscale は iOS Safari がどのネットワークからでも WebSocket 接続を受け入れられるよう、信頼された TLS 証明書を提供します。

2. 音声認識 — MLX-Whisper（ローカル）

Silero VAD が音声ストリームの音声を検出します。音声が終わると、STT モジュールが Apple Silicon 上でローカルに動作する Whisper large-v3-mlx-4bit で文字起こしします。外部 STT サービスに音声は送信されません。

3. LLM — OpenClaw OAuth 経由の Claude

LLM アダプターは OpenClaw の認証情報ストアから OAuth トークンを読み込みます — 別途 Anthropic API キーは不要です。Claude は会話中にエージェントツールを呼び出せます：ファイル読み取り、コマンド実行、メモリ検索、セッション一覧。

4. テキスト音声変換 — Edge-TTS（無料）

Microsoft Edge-TTS が応答を合成します — 無料、API キー不要 — そして LiveKit を通じて発信者に音声をストリーミング返送します。

1. STT の前に VAD を使う — 連続音声を文字起こししない

音声アクティビティ検出（Silero VAD または WebRTC VAD）は誰かが話しているとき・話し終わったときを検出します。音声セグメントのみが Whisper に渡されます。VAD なしでは、無音を文字起こし（無駄）するか、ユーザーに話すためのボタン押下を求める（不便）ことになります。

2. Apple Silicon は MLX-Whisper、CUDA は faster-whisper、それ以外は API

MLX-Whisper は Apple Silicon 専用です。CUDA ハードウェアでは faster-whisper が同様のスループットを達成します。クラウドデプロイや GPU のないハードウェアでは API ベースの STT サービスを使用し、音声がデバイスを離れることを受け入れます。STT レイヤーを交換可能にしてください — アーキテクチャの残りは STT の選択から独立しています。

3. トークンサーバーパターン — LiveKit を内部に保つ

トークンサーバーは LiveKit ルームアクセス用の JWT トークンを生成し WebSocket 接続をプロキシする小さな HTTPS サーバーです。外部に公開される（Tailscale 経由）唯一のサービスです。LiveKit 自体は localhost で動作し、ブラウザから直接到達可能である必要はありません。

4. iOS Safari は有効な TLS を要求する — これを計画する

iOS の Safari は、ユーザーが手動で証明書を受け入れても、自己署名証明書を持つサーバーへの WebSocket 接続を拒否します。Tailscale Serve はこれをクリーンに解決します。Tailscale なしではパブリックドメインと Let's Encrypt が必要か、クラウドホスト上の有効な証明書を持つリバースプロキシが必要です。

5. コンテキスト継続性のためセッション開始時に MEMORY.md を注入する

音声会話はデフォルトでステートレスです — 各通話は新鮮に開始されます。進行中のプロジェクトとの継続性を保つため、各セッションのシステムプロンプト先頭にエージェントの MEMORY.md を注入してください。エージェントは毎回の通話冒頭で口頭でブリーフィングされることなく、アクティブなプロジェクトについての即座のコンテキストを持ちます。