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。

音声AIの300ms -- 人はなぜAIとの会話に違和感を覚えるのか

前書き: 0.3秒の壁

第1章: 人間の会話は200msで回っている

第2章: Nielsenの3閾値を音声UIに翻訳する

第3章: 待ち時間の心理学 -- 人間の脳は「遅い」をどう感じるか

第4章: 300ms・500ms・800ms -- 3つの崖

第5章: レイテンシの解剖 -- 遅延はどこで生まれるか

第6章: TTFB -- 最初の1バイトが全てを決める

第7章: ストリーミング設計 -- 並列化で時間を圧縮する

第8章: 待たせても気づかせない -- 知覚ハック

第9章: ターンテイキング -- 「遮らない」「遅れない」の両立

第10章: Alexa / Siri / Google Assistantの教訓

第11章: エッジAIで300msを実現する

第12章: 設計原則 -- 音声AIのUXチェックリスト

あとがき: 0.3秒が変える未来

参考文献

著者紹介

奥付

zenn-content

webrtc

生成ai

aiエージェント

音声ai

AIコードレビューのハーネス設計 -- OpenAI・Anthropicが実践する「agent-to-agentレビュー」の仕組み

井本 賢 | WebRTC×音声AI / LLMO

GitHub Copilot 活用選手権