音声AIの300ms -- 人はなぜAIとの会話に違和感を覚えるのか

井本 賢 | WebRTC×音声AI / LLMO

音声AIの体験は「速さ」で9割決まる。人間の会話ターンは平均200ms。300msを超えると違和感、800msを超えると会話が崩壊する。本書では、Pipecat・LiveKit・Deepgramなど最新スタックを使い、カスケードパイプラインの525msの壁をストリーミング設計・知覚ハック・エッジAIで突破する方法を解説する。