
今月の「学び」と「実践」と「アウトプット」
教職の免許を持たなくても先生に
東京都も独自でしている?
H100 * 8x、1時間2000円てマジかよ
そもそも安いのかが分からない。ユーザー向けであればColabの方がGPUによるが割安なのではないかな?
それに加えて、このモデルは品質を向上させるために長いプロセスを経てきました。データセットのキュレーション自体に数か月かかりました。それに加えて、微調整プロセスには約 2650 GPU 時間かかりました。ですから、うまくいくといいですね! 違いと特徴がわかったところで、このモデルをどこでどのように使用できるでしょうか?
Anim4gineの場合、微調整プロセスで2650 GPU Hoursとあるので、計算方法は分からないが8 GPUで割ったら331.25時間掛かっていることになる
つまり、331*2000=約66万2500円で作れている計算だ。企業(もしくは支援を受けていれば)であれば意外に安いのではないか?という感覚ではあるが・・・
これは勉強になった
大変な体験を自らblogにしていたので勉強をさせてもらった
セガのテキスト
セガの社内勉強会のテキストが書籍化された
ちゃんと、社内勉強会の資料(PDF)も公開されているので、まずはそちらから見てみることにしよう
「数学、ちゃんと勉強しけばよかったな…」と後悔している方、セガの社内勉強会用の数学本「セガ的基礎線形代数講座」が本日発売になりました。
— セガ公式アカウント🦔 (@SEGA_OFFICIAL) February 28, 2025
オイラーの公式から、ベクトル、クォータニオンまでしっかりフォローするテキストが、X(Twitter)きっかけに待望の書籍化です。お手元に一冊いかがですか? pic.twitter.com/dyIYC6wl5e
こういう取り組みは、どんどん公開されていった方が業界のためだったり、社会のためになると思うので、有益な知識はどんどん公開していってもらいたい
なぜ、それを使うのかの事例があるということはいいことだ。中々、学校では学べない現場の肌感覚(事例)であろう
まあ、自分は数学に興味がないので必要に迫られたらってことでもいいかもしれない。自分の中での優先順位があるからね
それにしても、社名に目が先にいってしまうあたり自分はミーハーだと思った。よくない傾向だ
VS Codeの拡張機能(Gemini Code Assist)がリリースされていた
GitHub Copilotとは違う趣旨のものか?既にGitHub Copilotでgeminiが使えると聞くが同じ趣旨のものであれば、なぜ、独立して作ったのかを知りたい
拡張機能というとそれだけで使えるイメージでいたけど、更に外部と連携が必要なのか?(Google Cloudが必要とレビューのコメントが書いてあった)
目的が違うのだろうか。それかこれからよくなるのかもしれない。
コメントを見ていると評判がすこぶる悪い
こちらの見落としが勘違い(コメントを見直したが見当たらなかった)かもしれないが、余計なところまでコードを書き替えられたと見た記憶があったので、中々、怖いなと思ったのが素直に感想だった
Introducing GitHub Copilot agent mode (preview): the next evolution in AI-assisted coding.
— Visual Studio Code (@code) February 25, 2025
Copilot in agent mode is capable of running terminal commands, iterating on its own code to fix errors, and so much more.
Available in VS Code Insiders today. Learn more:… pic.twitter.com/WHtFY1bovR
CopilotはVS CodeをWorkSpaceとしているのだろう。clineでもcursorでも何でもいいのだけど、僕はエディタをワークスペースにされるのが怖くて導入を見送っている
agentは何かしらのワークスペースが必要であることを何かの解説で見た記憶がある(リソースが見つからないのだが)
ということは基本的に書き込み権限と、読込権限を与えるということだ。昔、Claudeに口すっぱく、元のコードは比較したいから消さないでねと毎回、言ったが、少しでも言うのを忘れるとコメント行から何までキレイに消してコードを書き換えた。こちらとしては以前の推論と今回の推論でコードが何が違うのか差分比較することで、多少なりとも理解をしよう、何が変わったか興味を持とうとしているところにそれをされると非常に困るし、コードを勝手に書き換えられるのはそもそもNGだ。それって正常終了しているコードを消すことを意味する(それはAIが(自分もしくはAI自身の)労力を無駄にする、白紙にする行為だ。ゲームのセーブデータを消されるようなものだ)
てことを普通にwebサービス内で体験をしているので、workspaceを開放することに懸念を示すのである。これもひとつの安全が脅かされる問題のひとつといっていいのではないか?エディタで色々まとめるので読み込ませたくない情報もある
アクセス範囲をしぼってworkする範囲を絞ることも、もしかしたら出来るのかもしれないが、自分はよくミスをするから間違えて読み込ませてはいけないものを読み込ませては目も当てられない
まあ、エージェントはAIの活動とはスコープの範囲が違うのかもしれないが、現時点ではしたくない
それとAIがプログラマの代わりにコードを書いてくれるのであれば、わざわざエディタでプログラマやユーザーに確認させる必要はないのでは?と思ってしまうのだが。完成品をアウトプットしてくれればそれでよいし、そこから評価して修正を促した方がマシ(バックアップは必要)だと思うのだが、どうなんだろうか
エージェントもこれからではあるが、何のためにエージェントを実装するのかによる。後、エージェントは何で実装されるのか?(単なる興味や実験なのか?何が狙いなのかは気になるところだ)
また、オープンに公開されているツールもあるが、何が狙いなのだろう。無料プランと有料プランがあるところはまだしも。現状、オープンソースで無償(API料金を除く)でしている人達はどんな狙いがあるのだろうか
そういう部分を今後、知っていきたいと思う
こういうのを見ると金が掛かっているなと思える
とても個人では出来ないレベルだ
ギターでキーボードなどを再生することは可能か?
厳密にはギターの入力でキーボードで演奏するイメージなんだが、この解を達成できたメーカーはまだいないのではないか?ギターの音を拾ってMIDI入力に変換しているメーカー(ピックアップの様に取り付けるなど)はいくつかある様だが、いわゆる、ポリフォニックで認識出来るのか?って疑問は残る。実機を触ったことがないので、エレハモやBOSSなどもエフェクターは存在するが、ギターの音を変換したような感じだから、音的には異なり厳密なインターフェースとは言い難い
モノフォニックでよければ、Vochlea MusicのDubler 2が知っている中では一番進んでいると思う。DAWの音源を操作できるから汎用性は高い。スケールがあっていれば、和音も読み込んでいるようだが
追記
複数弦(Poly)に対応する方法がFishmanが回答を出していたように思えた。これならばいけるかも。pickupで各弦の音を拾うってことかな。とりあえず、問い合わせ中
この問題が解決するとギターのエフェクターではないが、まるでギターのエフェクターのようにDAWの音色を使うことが出来て、特にギターのコンパクトエフェクター(マルチはそうでもないかもしれないが)の音色の少なさの不満が解消されると思うし、DAWの膨大な音色の数から選べるのはメリットがあると思う。DAWの音源の活用にも繋がるし。一個一個実機を買うのもいいかもしれないが、ある程度の利用頻度であれば"十分"かもしれないのだ。大人しくMIDIキーボードに慣れればというご指摘はごもっとも何だけどね
こいつでアニメ曲のメロディとか弾いたりしたら楽しいのではないか?いや、ギターでもメロディは弾けると思うのだけど"ギターらしいメロディ"と"ボーカルらしいメロディ"はまた違うだろうし、音色を変えた方がそれらしい可能性はあるのではないか?
YouTubeの動画もこの問題についてはほとんど言及しない。この手の問題はまずは1つだけプロモーションすればいい
コードを鳴らして、コードの音がMIDI送信されて鳴ること
たぶん、出来ていないから言及しないのであろうが、この手のソフトウェアやハードウェアでは避けては通れない話題だ。本質を隠して取り繕っても、複数弦(コードなど)でのプレイまで潜在的に期待するユーザー(逆に気にしないユーザーはいるのか?)がほとんどだと思うので、欲しい情報が得られずフラストレーションが溜まり、大概、価値のないソフトウェアになってしまうのだ
次に大事なのはレスポンスの具合だ。ピッキングの具合にどれだけついて来れるかだ。オーディオとMIDIが同期できない内容であれば仕方ないが、発信するという行為において、機械的にMIDIの長さを均一にしなくても発信する長さは任意のはずだ。若干の遅延はあってもアクションに対してはついてきてほしい
ボーカルはボーカル、ギターはギターの歌い方(演奏の仕方)があるのではないか?
ボーカルの歌い方(メロディ)を真似してギターを弾くのだけど、最近、ギターはギターの弾き方があるのではないか?と感じるようになった。人と楽器はそれぞれ違うものだから発声する内容も違うと考えた方が自然なのかと考えるようになった
そもそも、ギターらしい弾き方とは何か?と一般解の決め付けはよくないとは思うのだけど、ギターの音の独自性は何かを考えようかと
バーガーキングにオールヘビーってのがあるんだ。今度やってみよう
そこまで大きくなかったな。安いのを買ったからだろうか。気持ち程度かと思う
ケロロ軍曹、339話をみた
いやぁ、中の人のネタは「ニトロON」じゃないよw 娘の名前はナツミか
考えてみれば、タママ二等兵もそうだったな。バットと野球ネタも全てが懐かしい。交通標識をネタにしたオマージュ回だったな
自分がリリースしたオープンソースを活用する
Githubやwebでリリースしたものの中で、最近、ご無沙汰で使えていないものがあるが、別なプロジェクトで使ったらどうかというアイディアが一件浮かんだので、今度、使ってみよう
なぜ、人はトレンドを追うのか?
AIは誰が責任をとるのか?
AIに限った話ではないが、ここに集約されていると思う。誰が責任をとるんだ?スコープの範囲を明らかにする必要はあるが、完全に一般に浸透させるにはこの部分の障壁をどうするかだ
だからソフトウェアの提供者はやたらと長い利用規約を提示するわけだよね。出来るだけ安全に責任は取りたくないわけだ
ここで権力を制限する最大の要因は、法的な… いわゆるインフラストラクチャ、つまりコンピューティング インフラストラクチャ全体について話しているのですが、法的なインフラストラクチャがどのように進化してこれに対処するかだと思います。この世界全体は、人間が財産を所有し、権利を持ち、責任を負うことなどによって構成されています。まず、人間がツールとして使用しているものに対して、それが何を意味するのか、という基本的な問題があります。そして、人間がこれらのものに権限をさらに委譲するとしたら、その構造はどのように進化するのでしょうか。それが本当に解決されるまで、技術的な能力についてだけ話すことは実現しないと思います。
あなたの指摘の通り、最も強力な AI でさえ、本質的には人間から委任された権限で動作していると考える理由の 1 つがこれだと思います。ああ、それはすべて調整であり、あれやこれやと言うことができます。だからこそ、これらの調整を実際に機能させ、何らかの方法で検証可能にする必要があると私は考えていますが、制御不能な知能を展開することはできないと思います。たとえば、この AI 離陸問題は実際の問題かもしれませんが、実際の問題になる前に、実際の問題は法廷にあります。人間が「AI がそれを実行した」と言うことを許す社会はありません。
マイクロソフトCEOのサティア・ナデラ氏が、次のテーマについて語っていました。
— d (@d_1d2d) February 20, 2025
・AIで労働はなくなるか?
・世界経済が10%成長するとしたら
・AIは勝者総取りにはならない
・業務フローの再構築が必要
・変化するSaaS
以下にまとめます。↓
(ドワルケシュPodcast, 2月20日)
---… pic.twitter.com/UbopvRqZwl
騒ぐ人は騒ぐのが仕事だから痛くも痒くもない
だけど、ユーザーはこの問題がつきまとう
どう安全に習熟をしていくかだ。昔の言葉でいえばネットリテラシーみたいなものだろう(AIリテラシーって言葉がもうあったりするのか?)

でも、心の中では自分のメンドクサイ仕事(出来ない仕事)をAIに頼めば簡単に解決してくれるというのが本音なのではないのか?(少なくても自分はそう)
AIで何をしてもしても自分の責任という心理面を育てる必要がある。責任が負える範囲でね。だから、一方でAIを使わないという選択肢も同様に残されるべきだ
サービス提供者や仲介業者だけが得する構造ではよくない
ある程度、同等に負担する方が納得感はありそうだ・・・
例えば、負担を10とするならば、AIモデル開発者に3.3、販売代理店に3.3、ユーザに3.3とした方が公平感はある。代理店がサポートはメーカーに聞いてくれ(丸投げ)って構造はどうかと思うんだよな
よく、それ売りつけられたなってなるからさ。本当に価値があると思っているから営業してくるんじゃないの?って思うんだけどね
向き不向きや範囲を明確にした上でやりとりするのであれば、取引にもそれなりに時間は掛かるものだと思った方がいい
売れば自分の範囲(営業)はおしまい。バイバイというのはどうかと常日頃思う。もちろん組織としてサポート部署がいるのかもしれないが、最初にconnectしてくるのはあなただよと
ソフトウェアの利用において、一番泣く(損をする)のはいつもユーザーだ
ユーザー(というか自分)も要求定義、要件定義、シミレーションする文化が根付くといいのだろうな
結局、誰かがご高説を垂れ流して偉そうなことを解いたとしても、その人にとってはユーザーの出来事は対岸の火事みたいなものだ。何とでも言えるだろう。自分に圧が掛かることで初めて他人事じゃなくなる
昔、「発言にも責任がある」と誰かが言っていたが、どこまでサポートする範囲なのかは自分も明確にしていかないと、まったく違う範囲で期待したユーザーがいたとしたら、お互いにマイナスになると思うので、出来るだけ明確にしていこうと思った
ウマ娘、アーモンドアイに勝利した
3/1、まさかアーモンドアイに勝利できるとは思わなかった。恐らく、対戦相手の走り(速さ)も加減があり、運要素で下がって勝てたのではないか
今までの記録
ほぼ、課金しない勢の戦い方(前提)である
作戦「追込」では似たようなステータスだからか追い上げるのが厳しかった。アーモンドアイがはるか彼方にいた。★5のミスターシービーがメインキャラなんだけど中々勝てない
作戦「逃げ」も逃げ特化(スピードとパワー)に極端に振らないと中々いい勝負にならない。だいたいは最終コーナーで抜かされている。リードを付けられないと厳しい
普通には何度やっても勝てなかったのでラッキーだった。動画でも勝てるとは思わなかった。ジェンティルドンナを何度か育てて挑戦したときに、1度だけ、1/2馬身の差で負けた。記憶が怪しいが終盤で追い上げたというより、一時的に抜いてリードしたのか。ダイナミックカメラだったので脇が見えなかったのだが、そのときの光景でジェンティルドンナに光明を見た。現在、所持しているウマ娘の中では一番確率が高いと感じたのが、本作戦のきっかけだ
というわけで「中距離」「先行」、そして運要素で勝負する感じで、勝てたらラッキーくらいの姿勢で臨むのが丁度いいかもしれない
余談だが、オートモードの話なので忘れていいのだが、たまにキャラによって予約していないレースを走ろうとするのでストップしづらい。どのキャラだったか忘れた
対戦相手
いや、普通に勝てる気がしない
だけど、XのPOST見ると明らかに対戦相手よりも低いステータスで勝てた人がいた。SRもいけるんじゃって話だった

試合直前のステータスとスキル
アーモンドアイと同じく、中距離・先行にフォーカスした。「先行縛り」だけではなく「逃げけん制」で「逃げ」と「先行」のウマ娘の走りを遅らせたのは功を奏したかもしれない


最終ステータス
最終ステータスは勝利後のおまけみたいなもので、あまり重視はしていないが無事に勝利出来た後のステータスアップは気持ちがいい

サポートカード
今回は先行と中距離でサポートカードを検索して、限界突破が最大であるSRのカードを選んだ。サポートカードのSSRのアーモンドアイは無料10連と貯めた石で思ったより限界突破出来たので入れている。フレンドはありがたく限界突破しているカードを使わせてもらった。おでかけでお気に入りが回復しつつ、「慈愛の微笑み」でゲージが2ポイント貯まるのは大きい。半分オートで遊んでいて、心得は手動で選ぶ。導きはセントライト

なぜ、DIYをしようとするのか?
商品の定価よりも価格を抑えて手に入れたいからというのが、自分の中のでのDIYの理由である(実費を抑えられる)
定価を超えることもあるが、趣味としてはいいかもしれないが「コスト削減という実益」を兼ねたい思いがあるので、趣味でも製品を購入するよりも上ってしまうと割と失敗認定してしまうところはある
知識や学びは得られるかもしれないが、高い勉強代になってしまう
元々は「安く仕上げる」を目的にしているのにいつの間にか「学び」にシフトしてしまっては、本末転倒というか話の論点をずらしているのでよくない
「学び」を中心とするならば、別な方法を最初から検討した方が良いのではないか
ただし、「安く仕上げる」ということはどういうことだろうか?
本来であれば「定価」ではなく「原価」より安いを示すことだろう
そのため「労働賃金(時間)」を趣味としてコスト換算せず、材料費などをコスト換算とみなして、定価より安くしているところはある
ずんだもんのデスクトップアプリケーション
寸劇機能の実装
めたんとの寸劇機能を実装しようと思っているのだが、中々、どういう形がいいか決まらない。入力がテキストがいいのか音声がいいのかも迷うところだ
text to audio
audio to audio
までは実装しているので、textでもaudioでも選択肢はあるわけだが、イメージとしては「お題」を与えて、寸劇を鑑賞するというイメージだ
「メモリ(前回の会話)」は現状、覚えさせていない状況ではある。
もし、途中で会話に参加するなんてことがあるのであれば、「メモリ」させないといけないわけだが、「どちらかといえば鑑賞する(ユーザーが消費する)」という点で力点を置きたい。娯楽的でありたいので、discussionとは違うのかもしれない
もし、discussionするならば、途中で会話に参加する機能をつけないといけないのだろう
まあ、メモリさせたからといって、それは「会話」であるかという疑問点は克服できない気がする
どちらかといえば、タスク的だろう
タスク機能の実装
上記の機能が実装できたら、最後にタスク機能を追加したい。要約する機能とか音声を文字起こしする機能とか、画像を見て判断させる機能とか付けたいよね。
これは既にリリースしている内容ではあるので、もう少しタスクとして範囲が広いといいのだろう
pdfをテキストにする機能
何かの依頼に対してアウトプットが貰えるといい
果たしてこれは娯楽になりうるのか?
どうもGemini APIが持っている機能をそのまま実装しただけのようで、娯楽としては面白みに欠ける気がしている。僕の実装はそういうところがある。もう少し、既存機能を使うにしても面白みがある使い方(実装)をしないと娯楽にはならないのではないのか?
例えば、寸劇機能をタスク機能に見立てて、
企画書を提出したら「ずんだもん」と「めたん」にダメ出しやら、感想を持たせたりするのはどうだろうか
「自分の実益になったら有効ではないか?」
そもそも、これで何がしたいのか?
娯楽になり得るものを形成するのが目標であった
タスク機能は気に入ってもらえればくらいである。完全に自分のための宣伝目的で使うわけではあるが、何かお金になることがあれば、その機能も実装したいといった具合だ(全然、浮かんでいないけどね)
いずれにしても「仕事(請け)でプログラミング」は二度としないので、何か自分にとってもプラスになればいい
追記(3/9)
娯楽になり得るものを
英単語のニュアンスを覚えるためのイメージ検索
これも近々、実装したいと思う
毎回、Google検索するのはめんどくさいからだ
画像生成させて単語のイメージを掴むことも考えたが、時間が掛かりそうというのが難点だ
それよりは画像検索してtopに表示された画像をダウンロードするとか、キャプチャするとかの方がまだ手軽だと思えている
それをフラッシュで表示させて、覚えられていない単語のイメージを掴むのに使いたいと思う
追記(3/4)
実装した。普通にqueryを作って検索することにした。ただ、Google画像検索のクエリは分からなかったのでyahooの画像検索のurlからクエリを推測した。流石に自動実行はよろしくないと思うので、ENTERキーを押したら次の単語の画像検索結果が表示されるようにした
しかし、単語の内容によってはブラクラになるのでユーザーには注意してもらわないといけない
表計算ソフトで自分が分からなかった単語を連携できるかと思ったのだが、NumbersはExcelのvbのようにコマンドを直接は実行できないようだ。subprocessでapplescriptからPythonを呼び出せても、numbersからapplescriptは直接は呼び出せないようだ
追記(3/9)
単純に画像検索するだけではイメージしやすい画像には辿り着けないので、カタカナでイメージと打ってみたりしたが、それでも連想しづらい。もっと、何か手を打たないといけない
とりあえず、pythonで検索はできるようにした
単語を覚えるのが目的ではなく、話すことが目的なので「言葉(単語)」を使うことに注力した方が良さそう。やはり、日本語で自分が使う文章を考えて、それを言葉に変換する処理が必要かも。単語はお題に過ぎないが、自分が必ず使う言葉に含まれる単語とは限らないのだ
OBSを経由すればオンライン会議の自動翻訳が出来そうな気がする
個人的にはステレオミキサーをよく理解していないこととハウリングなどの問題が起こりうると思うので、あまり設定はしたくない。ループバック機能を信用していない理由の一つだ。まだ、目に見える形で、lineoutから他の機器に入力した方がいいくらいだ
で、話は逸れるが、OBSであれば音声ソースにアクセスできるので、オンライン会議の自動翻訳やYouTubeの音声の翻訳や書き出しが出来るのではないかってこと
多分、これをしているのが「ゆかりねっとコネクターNEO」なのであろう。これも翻訳経由する時にお金が本来は必要になるわけだ。
OBSを立ち上げる面倒さはある。Claude3.7に聞いたら出来そうなコードを上げてくれている。Geminiはステレオミキサーの提案はあったが、OBSの提案はなかった。
【追記】OBSのWebSocketを経由してオーディオデータは取得できなさそうだ
恐らく、ゆかりネットコネクター→OBSへのアクセスはできるものであれば(逆はできない)、あくまでマイク入力ありきの仕組だと思う。OBSがデスクトップ音声にアクセスできるのは
OBS がデスクトップ音声をキャプチャできるのは、OS が提供する音声APIを利用することで、PC から出力される音声をデジタルデータとして取得できるからです。これは OBS の重要な機能の一つであり、様々なライブ配信や録画コンテンツで活用されています。
というGemini談もある。いくつか試したがPythonでOSレベルにアクセスするのは難しいという回答がGeminiとやりとりした結果だった
所謂、リアルタイム翻訳はお互いがマイクで入力した内容を相手に表示しているのではないか?
ちょっと、中断。この手の問題はいつもうまくいかない
OBS WebSocketは、OBS Studioを外部のアプリケーションやデバイスからリモートコントロールするための機能です。これにより、以下のようなことが可能になります。
主な機能シーンの切り替え: 複数のシーンを瞬時に切り替えることができます。
ソースの制御: ビデオや画像などのソースの表示/非表示、位置、サイズなどを変更できます。
配信/録画の開始/停止: 配信や録画を外部から開始・停止できます。
音声の制御: 音声ソースのミュート、音量調整などが可能です。
状態の監視: OBS Studioの状態(配信中、録画中など)をリアルタイムで監視できます。
活用例外部コントローラー(Stream Deckなど)からの操作
チャットコマンドによるシーン切り替え
自動化スクリプトによる配信制御
スマートフォンアプリからのリモート操作
また、改めてGeminiの発言で"使う責任はユーザーだぞ"と言及があった。もちろん、それは構わないが、情報提供に留まるのであれば「予め問題点」や「分からない」ことも同時に伝えないとフェアではないよね。情報提供する責任を満たせていないのではないか?極端な話、全然、間違っていても構わないと言っているようなものだ。
ただし、私が責任を負えないこと最終的な意思決定: 私が提供するのはあくまで「情報」と「アドバイス」であり、最終的にどの方法を選択するかは、ユーザーご自身の判断 に委ねられます。 私があらゆるユーザーにとって最適な方法を断言することはできませんし、その責任を負うこともできません。
個々の環境での動作保証: デスクトップ音声取得の方法は、使用するOS、サウンドデバイス、ソフトウェア環境など、様々な要因に依存 します。 私が提示するコード例や設定方法は、一般的な環境を想定したものですが、全ての環境で完全に動作することを保証するものではありません。 個々の環境での動作確認や、トラブルシューティングは、ユーザー自身で行っていただく必要があります。
結果の保証: 私が推奨する方法を実践した結果、必ずしもユーザーが期待する通りの結果が得られるとは限りません。 音質、録音レベル、ノイズの状況などは、環境や設定、使用する機材によって変化するため、結果を保証することはできません。
私が責任を持って約束できること誠実な情報提供: 私の知識と理解の範囲内で、嘘や偽りのない、誠実な情報 を提供することを約束します。 不明な点や不確かな情報については、その旨を明確に伝え、誤解を招かないように努めます。
ユーザー目線での説明: 技術的な内容も、できる限り専門用語を避け、分かりやすい言葉で説明する ように心がけます。 ユーザーの目線に立ち、疑問点や不安に寄り添いながら、丁寧に説明することを意識します。
継続的なサポート: もし、私の提供した情報に関して、疑問点、不明点、あるいは不具合 などが発生した場合、できる限り誠意をもって対応し、解決に向けてサポート させていただきます。 質問には丁寧にお答えし、必要であれば追加の情報提供や、代替案の検討も行います。
ユーザーの皆様へのお願い
私の提供する情報は、あくまで参考情報の一つ として捉えていただき、鵜呑みにするのではなく、ご自身の状況や判断に基づいて、最終的な意思決定 を行ってください。
もし、私の説明に不足している点、分かりにくい点、あるいは誤りなどがございましたら、遠慮なくご指摘ください。 皆様からのフィードバックは、私自身の改善にも繋がり、より良い情報提供に役立てることができます。
結論:
私は、ユーザーの皆様にとって本当に有益な情報を提供したい という強い思いを持って、この対話に臨んでいます。 提供する情報には責任を持ちますが、それは情報提供者としての責任 であり、最終的な意思決定や結果に対する責任を全て負うことはできません。
しかし、皆様がより良い判断を下せるように、最大限のサポートをさせていただく ことをお約束いたします。 ご不明な点や不安なことがあれば、どんなことでもお気軽にご質問ください。
恐らくこの分野はAIには応えられないレベルの話だ
で、どうするか?
翻訳ツールの挙動を改めて考えると
マイク入力から翻訳するパターン
動画や音声データを予め保存して、それを入力するパターン
Xで上がっているのは翻訳編集された動画であり、リアルタイムではないのではないか。YouTubeの音声翻訳もアップロードされた動画(保存された動画)を入力として使用して音声翻訳しているのではないか?
今回、したいのは自分の目に見えている内容を翻訳したいとなると、後者のパターンになるとは思うのだが、前者はZOOMやTeamsだろう。もしかしたらOSレベルで制御されたOBS(アプリケーション音声キャプチャ)なども含まれるのかもしれないが
いずれにしても何かで保存するという行為が必要だ。特別、自分が持っているOBS(フリー)やScreen Recorder 4(有償)で仮想オーディオやステレオミキサーの設定をいじっているわけではない
そうするとOBSで動画で保存して、動画を読み込もうとしたClaudeは代替案としてはありかもしれない
まあ、単純にAIは学習していない領域なのだろう。実装コードをね。他の要素を組み合わせれば単純にデスクトップの音声を取得することも出来なくはないのだろうが・・・。そこまでして力を入れたい内容ではないのでパス
あくまでOBSは立ち上げて録音を試みて音声に変換することを試みてみたい。
追記、OBSはmp3の保存ができる
OBSはmp3で保存できない件、あれはウソじゃいと分かった。AIが学習していないか認識していないだけだった。
そのため、startrecordingのrequestsを打てば指定のフォルダに保存できるかもしれない。不完全だが録音もいった
AIがもにょったら、直接アプリを見るのも手だし、今回はYouTubeで実践していた人がいた。ただし、半信半疑だったけど。保存できるところまで基本は見せてほしいよね
追記、OBSで録画して保存を繰り返すのは大変だ
恐らく、録画終了〜保存〜録画開始で音が抜ける部分が発生する。PythonではWindowsの機能にアクセスできないようなので、C++かC#でデスクトップ音声にアクセスを試みる方向に変換する。Geminiもサッと答えたのでもうしかしたらいけるかも知れない。最悪、録音と保存だけ繰り返してくれればいい(2つのスレッドを立てるなどして音抜けの間を埋めたいのだ)
AIで問題に取り組む時に発想を変えることで解をAIが与えてくれる場合がある。それはAIが教えてくれるわけではないのだ。あなた自身が発想するのだと学んだ。Pythonにこだわることを一度、やめてみることで思わぬ解が得られるようになったことを考えると、やはり、「こだわり」を一度、捨てることは大切だ
何でこんなに拘るかといえば、やはり使える製品(売れる製品)にしたいという思いが強いからだ。
世の中にはどうしてもリアルタイム性の翻訳機はない。当然だ。ポケトークも話したら待つだろ?Google翻訳だってそうだ。待つのだ。だから、必ず遅延はする。前にも言及したがYouTubeもリアルタイム翻訳ではなく出来上がった動画から翻訳していると思うのよね。まるでリアルタイム翻訳に見えるかのように。いずれにしても入力からのラグをどれくらい抑えられるかにもよるが、話した瞬間で文字を表示するのは不可能だ。だって、話す内容がなければ文字を表示できないのだから。だから、どれくらいまで許容するかにもよるが、やまびこのように翻訳していく感じになると思う。
若干、あ、い、う、え、おと各言語で母音と子音を覚えさせれば1語毎に文字起こしができるのでは?と思ったが、文節の判定やら面倒になりそうなので、やはり数秒単位とか息継ぎ単位で録音を繰り返した方がいいと思えてきている。ポケトークとかGoogle翻訳は一度、ストップするから安心して翻訳できるのだ
まあ、でもある程度、やまびこでも自由に音声から翻訳できるようになれば、結構いいよね。本当、それなりに売れて欲しいわ
追記、C#でデスクトップ音声を録音できた
これをPythonかElectronでディレクトリを音声ファイルを読み込みパターンを作ってみる。翻訳がこれで出来る
この時点でOBSのことは忘れていいんだが、活用する術はあるかも知れない
もう少し考え直しか。OBSを使えばオンライン会議にも使えるよね。OBS用のオプションもあってもいいかも知れないね
追記、GeminiAPIのレスポンスが速いので1分間のリクエスト回数が増えすぎたかもしれない
現在、5秒単位で音声ファイルを録音していて、Gemini APIのレスポンスがめっちゃはやいためか、OBSで保存するパターンよりはいいペースで原文と翻訳が表示できる。どうしても一歩は遅れるが中々いいのではないか?
podcastの翻訳にも良さそうだ
ONLINE会議に使えるかは別途、調べる必要がある
ただ、それよりもIT離れの練習をしないと、いつまでもがんじがらめだ。早く抜け出すために、脱ITを。己の脳みそで考えるアナログの方がITに活かすにしても、前よりいい効果を生むような気がするんだよね
追記、中々良い体験が出来ている
今までの中で結構、良い体験が出来ているように感じる。Google検索してもあまり見当たらない。もしかしたら希少性があるかもしれないぞ。もちろん、Teamsなんかはオンライン会議で自動翻訳してくれる機能があった気がするのだけど。それでも良さを感じているのはなぜか。
受ける「体験」を出来ているからだろうか?
追記(3/11)
概ね、ElectronでUIとPython処理の移植はできた。すごい、Geminiのロジックと格闘することになった。結局、そのままではコードは使えないのでデバックしながら使えるようにしていく作業が続いた
マジでこのパターンは良くない
依頼の指示も足りていない部分があることが分かった。この方法が最適です!キリっ!とGeminiが発言したことが、最適でなくてデバック地獄になったりする
指示でおすすめなのは
標準ライブラリで実装すること
マニアック(長年更新されていない)なライブラリは避けること
つまり、使い古された書き方の方がAIによるコーディングはスムーズかと思うよって話だ
ある程度、デバックとユースケースを見出したら有料で販売するよ。
それでも、企業が販売するツールの価格設定よりは安いと思う。APIは別途、購入する前提で価格を割り出した
追記(3/19)
完成した。ここから体験版用の切り出し(プログラムの変更)をして終了だ
後はソースコードをキレイに整形することと
ユースケース(価値あること)の事例を見つけることだな
翻訳が用意されていない動画に対して、今まで相手の言語が分からなかっために知ることができなかった、相手の発言を知れたのは大きい
オンライン会議でどんなものかをテストする
やはり、法人のソフトをいくつか見てみたが、その契約よりは安い
Appleのリアルタイム翻訳は本当なのか知りたい。電話がいつもより処理が遅れると思うのだけど、ざっくり、ユーザーの感覚的にそこそこの反応で「リアルタイム」というのであれば、こちらのソフトもそれに当たる。しかし、それを売りにはしない
追記(3/24)
メインの機能は問題なさそうだが、それでも改善できる点がありそうだ。どうせ、本格的にITとして取り組む最後の販売するアプリだし、悔いは残さないようにする。サーバレスであり、サーバ(課金処理)なんて実装したくないし管理したくない
しかし、Google Cloudは予算アラートはあるが上限で止めることが出来ないようだ。そこで、実際に運用すること(とりわけ個人)を考えて、
アプリ側でリクエスト回数を制限するなど、もう少しユーザーの立場に合わせて、安心して課金をコントロールしやすくする取り組みは必要と考えた
もう少し、いくつか「実際に使う場面」を想定して今の自分の能力で出来る範囲(開発範囲)でユーザーに優しくできるような取り組みは行いたい
ただし、公開の区切りはそろそろしたい。無限に時間があるわけではないからだ。
追記(3/25)
API課金に備えてtoken数の数え方などを学ぶ。API課金を解放するのは無料tierのRPDなど理由がある。1500RPDということは1分間に15RPM使用したら、100分/日の稼働限界があるということだ
100分で満足できる場合は問題ないが、心もとないと思った時に解放する意味は出てくる
また、無料版との情報の取り扱い方が異なってくるので、API課金利用する時の考え方によっては導入がありだと思う
Gemini API の有料枠などを含む本有料サービスを使用する場合、 Google は、使用者のプロンプト(関連するシステム指示、 キャッシュに保存されたコンテンツのほか、画像、動画、ドキュメントなどのファイル)または 回答をプロダクトの改善に使用することはありません。 このプロンプトおよび回答は、 Google がデータ処理者となるサービスのデータ処理追加条項に沿って取り扱われます。 本有料サービスの場合、 Google は、 使用禁止に関するポリシー および法律または規制によって必要とされる開示に対する違反を検出する目的でのみ、プロンプトと応答を一定期間記録します。このデータは、 Google またはその代理人が施設を運営する任意の国で一時的に保管またはキャッシュされる ことがあります。
とにかく、tokenのカウントなどが出来て来たら「課金処理」を試す。
使用しなければゼロか
tokenに対して、おおよそ予想通りの金額になるか?
請求処理は明瞭か
課金をキャンセルはしやすいか?(月毎か日毎か)
もう少し、APIも含めてよく知らないユーザーに使いやすくしてもらえるとありがたいのだが
ちょっと、僕のやり方は王道ではないので仕方ないか
何というか、今の段階で画面を遷移するとGoogleAIStudioからの課金もCloudに遷移するので支払いは結局、Cloudかって感じ
一旦、Colabを解約して4月には「課金」を試す
追記(3/25)
json形式で出力できるのか?毎回、出力形式をコントロールできるのであればありがたい。ドキュメントを読んだり、実際に試していると意外に気付かない機能が存在していることに気付く
超、別件だが文字起こしした内容をテキストには保存していけるのだけど、音声の内容毎に別人かどうかチェックできたら面白そうだな
追記(3/26)
Gemini 2.5 ProのExperimental 03-25版をGoogle Studioで試す。今までにない回答が返ってきたので、苦にもなったが結果的に収められるかも知れない。
一応、代替案としてLocal Model版も作ることを検討する。ただし、APIの設定をしたくない場合に備えてなので、PCのスペックを揃えてもらうこととトレードオフである。また、精度も同時にトレードオフといったところか。ただし、精度は体験版を見てもらってといったところだ
また、速度改善をするための対応を試みる。もしかしたらリアルタイム性が増すかも知れないと
なお、API版はモデルを選択するための枠を用意した。Gemini Flash-Liteの方が少しコストを抑えられるからだ。
今のペースでは無料版は1ヶ月100万トークンの利用で考えたときには、1日90分程度の利用がレート制限になるので、これ以上、使いたい場合はAPI課金かと
追記(3/31)
APIで実行するmodelを選べるようにした
UI内容を見直した
JSON出力を使った
参考情報としてTokenをカウントする処理を用意した。プログラムを強制終了した場合はカウントされないので、厳密な解ではない。実際はAPI側を見るといい。課金処理したときに上限値を定められるかも確認しておく
APIのドキュメントと違和感があるなと思ったら、コードはこっちが古いことに気付かなかった
新しい方はこっち。Google検索で適当に検索するとhitせず、気付かなかった
他にもいくつか取り組んだ
オープンソースの活用方法について
巷では依頼があって機能を実装したら「いくらください」として、ただし、オープンソースとしては更新し続けるけどねという手法があるようだ
やっぱり手書きのOCR精度は悪い
Geminiも手書きは読めないようだ。そもそも人が知覚できない文字をコンピュータが知覚できるのか?ってことだよね
演奏が楽しくなるかもしれないツールの開発について
若干、停滞しているが、演奏をビジュアライゼーションする取り組みをしている。曲を弾いていた系の動画にオケが流れていると思うのだけど、オケと自分の演奏を分離して表示させることで、少しセッションしている感じは味わえないかというものだ
自分が損をしない形で娯楽として「提供」できればと思う
本当に大事なのは今、していることは「お金儲け」なのか「趣味なのか」区別してあることじゃないのか?
よく、オケを流しながらの演奏はオススメしないというが、アレは同じパートが流れているからではないか?と思っている。つまり、自分の演奏パートはsplitしておけば問題ないのではないか?
ソロギターで演奏表現を高める目的以外はパートを削除しておけば、意外に練習になるのではないだろうか?
現在、自分の中でも売れる「記事」と売れない「記事」が明確に分かれてきているところはあるので、条件付けがあれば、売れない「記事」も売れるようになる試みをすることや理解ができるようになりたい
そうすれば、優先度的に取り組み内容が決まり、条件を達成したときに「売れなかったジャンルの記事」を書けばいいのではないだろうか
ComfyUIのビデオ作成
Wan 2.1モデルってのがあるんだ。もしかしたら、これがビデオの生成時間を抑えられるのか?
Wan2.1の14Bモデルで、12GB VRAMで480pで8秒(129frames)生成、というのはMusubi Tunerの推論スクリプトとほぼ同じメモリ使用量。
— Kohya Tech (@kohya_tech) March 3, 2025
deepbeepmeep氏のソースを見た感じインプレース操作を適用して省メモリを図ってるみたいなので、Musubi Tuner側ももう少しメモリ減らせそう。
GPってなんだろうか?
Wan2.1 GP: generate a 8s WAN 480P video (14B model non quantized) with only 12 GB of VRAM.https://t.co/DDJsGQrl0l
— deepbeepmeep (@deepbeepmeep) March 2, 2025
By popular demand, I have performed on Wan 2.1 the same optimizations I did on HunyuanVideoGP v5 and reduced the VRAM consumption of Wan2.1 by a factor of 2.…
comfyuiの利用例
どこかで試してみようかな・・・
追記
comfyuiのsampleコードを使った。代替、4分くらいか

初回は7分くらいか。Prompt executed in 385.93 seconds
実はAIのモデルを作るならば中古販売業者が最強だったりする?
BOOKOFFとか古本がいっぱいあるだろう。アレを学習させたらめちゃくちゃ賢いモデルが出来たりするのだろうか
誰かが国会図書館に寄贈されている本を学習させたらいいんじゃないか?と言っていたのと同じ話だ
JINS ASSIST
JINS ASSISTが話題になっていたが、個人的にはメガネに取り付けるのがいいなと思っていて、これを小型カメラとして取り付けられたら風景を撮影するのが楽しいだろうなと感じた
MetaとRay-Banのコラボグラスはあるが、日本国内では販売されていない
ゾンビランドサガ劇場版楽しみだな
恐らく検証しないで学習しているのでは?
だから、精度がおかしいと考えるようになった。学習に使う内容を検証せずに鵜呑みにするまから、間違った知識になるのではないか?
また、事後で検索させるにしても、深く検索するこもはしていなさそうだから、修正ができないのではないか?
ただ、仮に検証されたデータで学習したとしてもらそれらしいことを言うとしたら間違う可能性はある
すると、ユーザが判断しやすい形にまとめるといいのだろうな。
とりあえず、コードは書く
後はいくつかユーザーが判断しやすい助けとなる種類の情報を列挙すればいいのではないか?
例えば、検索に使ったurlの提示
何を見て判断したなどの記録
そこからどう考えたのかの思考プロセス
など、いくつかユーザーが自分で判断するための必要な情報を提供したらどうだろう?
こども家庭庁の虐待判定AIの件について
10億、溶かしたか
まあ、税金(予算)だし彼らは痛くも痒くもないのだろう
是非、10億も掛けたのだから「学習プロセス」「成果物」「開発履歴」は引き取って、次回、AI学習させるときに失敗例(アンチパターン)として次の開発をさせるときに使わせればいいよね
ただ、今回の内容はAIを使う内容ではなかった案件だと思うわ。いや、2022年〜2023年度のAIの精度の話じゃなくてね。
丁寧に項目を入力して結果を判定するということは、ある程度、組織の中でスキーム(判定のロジック)が出来ているということではないか?
それを言語化して「システム」に落としこめば良かった話じゃない?トリアージ的な優先作業の順位付けの参考に使うものならね(判断は人間)
所謂、重み付けとともに表計算的なチェックによる割合の算出で良かったんじゃないかと。つまり、既存の手法であるチェック項目の入力に基づく判断でよかったのではないか(つまり、10億もかけなくても済ませられる話だったのではという見方である。丁寧に毎回入力するのであれば表計算的に○と×を付けていくのと変わりないと思うからだ)
例えば、年1で重み付けを見直したりすれば更新できるだろうし、参考程度に使うのであれば、そこまで金を掛けなくてもいいのではないのかと
何でもAIに落とし込めばいいってことではない例だ。多分、よく分からないままAIならいけるっしょ!とか過度にAIに思考を移譲、期待した結果なのではないか
個人的には、AI(言語生成モデル)は話すまでに色々な学習をしているため、学習データ(期待するロジック)を素直に学習しない印象なのよね。FineTuningしてもまぶされるイメージだ
RAGは「事例」の判定であって、表計算的な塗りつぶしには使えないイメージだしな
流石にセンシティブな内容なので、ローカルLLMで構築したと信じたいが、数年前のモデルでは言語処理はたかが知れている
ユーザーとして、重要な決定を仰ぐために依存するには「頼りない」シロモノであろう
官公庁の失敗事例は是非、官公庁内で共有して頂いて「仕事を相手に依頼」する時の勘所として使ってほしいね
むしろ、個人的には引き受けた業者はなぜ、AIでするのかと疑問に思わなかったのか?違和感を感じなかったのか?てところが気になる
まあ、やり取りの内容は知らないから想像でしかない
ここでの学びでは「既存の手法」で要求を満たせる可能性があることを振り替えられないといけないってことだ
というか試作品に10億も掛けられるのはすげぇ印象だ。いや、AIによる学習ならば少なすぎるのだけど・・・。既存の言語モデルをFineTuningする(5000件)程度ならば、そんなに掛からないと思うのだけど。
仮にGPUを調達するとしてH100を8台で5000万円程度だ。ハードウェアを用意するにしても1億は掛からないのではないだろうか?
スクラッチして1年間、判定システムの開発をしたとして当たる人数(平均2000万円/年プレイヤー✖️担当者10名✖️3倍)で6億だ
合わせても、7億くらいだよね。どういう見積もりだったのかは気になる。
こういうのは基本的には既製品で済ませられるのであれば、既製品を活用した方が幸せになれるパターンだ。コスト的にも運用的にもだ。開発はお勧めしない。別に開発するのが目的ではなくてユーザーは使えればいいって具合になるからだ
フルスクラッチで開発するのはオススメできない。既存の叡智を無駄にしているからだ
IT人材が不足しているのにゼロから開発させようとしているならば、それは矛盾する行為だと思う
OpenAIの高額エージェントってどこ情報なのか?
オフィシャルなリソースが見当たらないのだけど誰か知っている?よくソースを出せと言われなかったか?それで物事を判断しているようじゃ、デマに騙される人と変わらんぞ
別に高額エージェントを出すのは構わない。企業が使えばいいだけだからね。しかし、オフィシャルなリソースが出てこないということはまだ、準備中だからリリースの知らせが出てきてからでも遅くはない
100万円であれば、3倍から4倍の売り上げが出る見込みがあなたにあるならば、使ってもいいかもって感じ。
ただのコストとなるのであれば、別にローコストの言語モデルでもいいと思っている(責任を取るのはあなたというのは変わらないのだから)
恐らく、学習していない内容は答えられないぞ。
完全に本人が分かっていて、指示とコントロールができる前提だと思うぞ
ギターのフレーズが楽曲に似ないのはなぜなのか?
いくつかトライしたが、楽曲に対してギターのボリュームがデカ過ぎると、違和感を感じる
逆に、こちらの耳に聞こえるギターの音は、普通で、楽曲に混ぜる入力のゲインを下げて聞いたら、音が混じったように聞こえた。ただ、この場合、どちらのギターなのか分からない
出来るだけ音は滑らかに繋げたい(伸ばしたい)。意図的に切るならばまだしも、意図がなくブツブツと音を切ってピッキングをしない
ギターだけでフレーズを聞くと違和感ないのに、ギターのボリュームが大きいと出てくる違和感は何か?
Markdownで別ファイルの内部リンクに直接アクセスする
VS CodeでMarkdownを使った場合
[altテキスト](../ファイル名.md#見出し)
<a href="../ファイル名.md#見出し>altテキスト</a>なお、フォルダ階層を"¥"で表記する場合は"¥¥"で表記しないと読み込まなかった
何に使ったかと言えば、Markdownで調べ物のまとめをしているときにソースコードが記載されているMarkdownは別ファイルにするときに便利である
正式なソースコードであれば、直接リンクしてもいいかもしれない。
インプットはいいかもしれない
アウトプットで何か成果を産まないといけないと思うが、中々、成果が出ないことが常である自分にとっては、インプットも1日の中に加えることで充実感が得られている気がする
アウトプットの知見を広げるためではない。全く別ジャンルだし、しかし、結果としてアウトプットで自分比(内部比)には影響を及ぼしている
今日は英語を
道は開ける
名著と呼ばれている本を読んでいる。限界ギリギリの人がどういう精神状態で日々を過ごしているのかが記されている。僕は寝ていても考え事をしてしまうし、割と当てはまるタイプだった
無神論者よりは宗教がある人向けといった感じか
しかし、これを人生の勝利やビジネスの成功として捉えてしまうと良くないかもしれない。なので並行で下記の書籍も参考になる
何も努力するなと言っているわけではない。人は考える力を与えられているのであるから、活かすことは活かした上でって話だろう
AIとの過ごし方
超、どうでもいいが、昔、SPIってのがあった。今もあるのだろうが、いや、テキストであれば何でもいいのだが、それをキャプチャしてどういう試行手順で解くのか?もしくは解けばいいのか?を参考にしたいと思った
例だけど、アスペクト比ってあるじゃない?
あれの求め方を聞くとかなり原始的に回答をしてくれることが分かった。一方で当時考えていた面倒さを解消する方法があるのかなども聞くことができる
AIの考え方が正しいのか判断する必要はあるが、特にどうしても分からない問題があるときなど聞いてみると意外にヒントになる可能性はあると思った
Geminiはまだまだ思考が足りなさすぎる
2.0 Flash Thinking Experimentalを使っているのだが、見出しの通り思考が足りなさ過ぎる。DeepResearch以前の問題だ。Gemini 2.0 Flash Thinking Experimentalの知識や学習範囲で済む話であって、Geminiがしている発言が矛盾しないのか確認することをしないのが問題である
仮に矛盾にGeminiが気付けたら、私の学習範囲や学習したことは間違っているとアラートを鳴らせる可能性があるじゃない。そうすればユーザーだって、Google検索しようかなど。Geminiの範囲外で調べようとする機会が得られるハズだ
A→Bはいける
A→BをするためにはAにCを付加するいう条件付き
という発言をGeminiはしたのに
B→AもいけるとGeminiは発言した
それ、Cはどこいった?というユーザー側で疑問がありつつも、こちらが何か間違っているのかもしれないと思い、Geminiの論理で話を進めたら、デバックして話が通らないことが分かった
結局、Cのことを疑問に思わなかったのか?と質問して、デバックして実行できないこともあって、やっと認めた感じだった。
だったら、Cについて言及すればいいじゃん?とも思うのだが、流石に自分に至らない考えを持っているのではという可能性も捨てきれなかったので突っ込まなかったのだが・・・。
そもそも、Geminiの発言ロジックに矛盾があるのであれば、それはGeminiで気付いて欲しいのだ。だって、こちらが確認するのもいいけど、そしたらGeminiやAIもいらないじゃん
Geminiの中では「自分の発言」の中で結論付けて欲しいのだ。
Gemini(私)の発言はおかしいかも(ユーザーよGoogleれ)
Gemini(私)の発言は矛盾はない(ユーザーよ私の知識(学習範囲)の中では矛盾はない)
で、後者でもデバックがおかしければ、古い情報、間違った情報を学習している可能性があると判断して、Google検索しだすだろう。
新しく更新されていれば、それを使えばいいし(学習知識は古くて使えなかった)
特に何も新しい情報がなければ、Geminiの知識、学習内容が間違っている=Google検索のリンク先の情報が間違っていることと同様、と判断して、全く違った視点から検討することになる
※ リンク先の前提が自分の前提とは違って使えない(前提条件の上では間違っている)場合はある
AIに論理を教える?
推論である限り、それらしくしかならないのでは?とはと思うのだけど、論理を獲得するには?というアプローチのひとつだろう。
コードは見ていないけど、論理の例を教えてあげているような感じだ。
しかし、論理学も当然ながらモデルは学習しているのではないかってことと、推論も正しいと何かしらで証明する必要があるってことだ
理屈的には正しくても、実際に話が通るとは限らない
だから、デバッグしたりするって話だ
コードの使い方まではaiは理解しているとは限らないし、
補ってあげた方が学習から考えなくてよくなると思うんだよな。
どんなバリエーションにもってことは、それだけ例を用意しないといけないってことじゃん
lcm
Gemini APIやGeminiが充実している感がある
Deep research
なるほど、Deep Researchを手法として捉えるならば、modelとの組み合わせによって変わるということだな(恐らく)。勉強になった。
旅行のプランを先月あたりから、GROK3にも検索させているのだけど、果たしてどういうい結果が出るか?
Gemini API 試験運用版モデル
こちらの見出しは気付いていなかったのだが、ドキュメントも更新されていっている気がする
日進月歩じゃないが、調査していないので何とも言えないが、見た目上は更新されていっている感があるので良い
APIの料金計算をしている
無料で使えているAPIだが、基本的にはコストだけであり赤字の状態だろう。まあ、他のAPIに比べて信用度という点で単価が安めに設定されているようには思えるが、それはそれとしてmovementとしてAPIに個人でも課金しやすくできるといいのだろう
てなわけで、作っているアプリに対する、ざっくりとしたAPI料金を計算しているのだけど、まあ、2年くらい既存サービスのサブスクリプションで契約するよりは安くなりそうだ
しかし、検索結果が出るということは個別には誰かがやっていそうなんだがな。今回は多少は思考を変換しているので少しはまともかと
AIのいいところ
俺はアホなので理解が悪い。だから、AIにも嫌われるけど、何度も質問できるのはAIのいいところだ。どこが自分はわからないのかを明確にするような行為だ。最初は疑問に思ったことをまとめておき、それを質問していって、話の流れで理解を深めていくといいだろう
第二段階として、質問の回数を減らせるということは効率の良さを意味するが、恐らく理解できることとは分けた方がいい。理解できないということは自分の中で腑に落ちないことがあるのだから、理解できないのであって、分からないことを探求していった方がいい
一発で理解しろなんていうけど、出来ない奴(俺)にとっては無理な話だ。むしろ、自分が納得いくまで深めた方がよっぽど自分のためになる。気概なのか理解力なのか?前提は分からないが、現状の「自分」は「それ以下でも以上でもない」
だから、直感的に思った疑問を聞いていくのはありだと思うぞ(論理的ではなく感覚でする人ほど)
ほとんど説明文を見ていないと思うけど、そもそも、説明文の最初の方で疑問に思っていたり、言っている理屈が分からないなんてことがほとんどだ。全部、読み進める間には分からないことだらけだ。1つずつ解決するしかない。(別な段階として相手の発言を理解することからだ)
恐らく、AIの世界と自分の認識の世界は違うから、自分のロジック上納得いかないことと、AIの世界がぶつかり合うのだろう。相手の言っている論理はどういうことなのか帳尻を合わせる必要がある
で、自分の論理で納得できなければ、徹底的に分からないと言い続けるが、どこかで自分の論理の意図が見方によって矛盾、もしくは変えられる瞬間てのがあるのだろう
初学系では特に有効だと思う。そこが分からない点を解決する鍵だったりするのだ。だけど、それと同時に自分のロジックが更新されていることを意味している
論理とは「正しい」ことを証明するのではなく「筋が通る」ことを意味する。とすれば、論理のアップデートは人の判断により起こりうることだ
Deep Researchの実装
少し勉強になった。chatgptのそれは使ったことがないので分からないが、Googleも一般ユーザーでも使えるようになったし、それそも、あるということは作れるハズだ
Deep search 作り方しかし、deepsearchにも問題がある。リファレンスとしてwebサイトを見るようになったのはいい。しかし、推論はあくまでモデルによるものだ。ここでの範囲は、webサイトをいくつも見て恐らく正しいと判断することにあるが、そもそも、参照したwebサイトは正しい前提に限る
やはり、何かしらで証明(検証)をする必要があると思う。webサイトが正しいとは限らないのだ。
どちらかといえば、先行研究をまとめるのには使えそうだが、自分なりの判断、ロジカルな決断はまだ、未来的かもしれない。(これはモデルの話)

perplexityを初めてアクセスしたんだが、学術論文を選択できるのはありがたい。しかし、ソースはどうやって取得しているのだろう。後、範囲はどうなっているのか?実装を知ろうとすると、意外に抜け穴や疑問は浮かぶものだ
ソフトウェアもdiyの精神はあるかもしれんな
電気回路難しい
やっと、実機で試すことが出来た
MIDI DRUMに着手したんだけど、
電気と電子の違いも分かっていない人間からすると、ブレットボードを用意して繋いだつもりでも、想定した動きにならないことが分かった
ESP32へ書き込みするところまでは出来たので、この後は
プログラミングの概念は忘れる、特に手続き型プログラミングみたいに上から下に回路に対して電気が流れるわけではない。まったく、知らない前提で一から回路を知ったほうがよさそう
ブレットボードにつないでも、aからeにつないだ端子は左、もしくは右から順番に電気が流れるのではなくて、同時に流れるようだ
usbで電気を給電しているが、ESP32に繋いでいるので、電気はESP32の範囲までとは考えない方が良いかもしれない。
エフェクターの本も読んでいる
交流と直流は違う。ギターの信号は交流で、電源からは直流に流れる
すると、スレッドのように同時並行的に流れているように感じられる
とりあえず、計画は
ESP32の書き込みとハローワールド(済)
信号の受信を確認する(回路の範囲)
Bluetooth MIDIの確認(プログラミングの範囲)
本数を拡張(現在、圧電サウンダーを叩いて信号を発信している)
動作のチェック(MIDI信号の強さは可変的かか?)
試験的なパッド素材に圧電サウンダーの取り付け
動作チェック
4つから6つほど、入力できるかチェックする
フッドスイッチの対応
MIDI DRUMの台を検討(名前を忘れたが、押し入れの下にひく、すのこ、少し隙間が空いているので、ケーブルを伸ばせるのでは?)
線の長さをどうやって拡張するか?
以上がブレットボードの範囲だ
で、ここからユニバーサル基盤など本番に即した加工を検討する
OpenAIのfair useの話はどの情報?
発言内容が見つからん。Xに流れたポストを見るときに抜粋だから反応は控えていたが、言葉尻だけみると、AI競争に勝ちたいから、ただで学習させろよ!(俺たちの利益になるから)と捉えてしまい、流石にその発言はないんじゃね?と思っていたんだが、真意はどんなものか
illustrious、プロンプトに追随している感がある
いやぁ、そういう気がするだけです。後はLoRAしてみてだけど
ちょっとだけ、アイディアが浮かんだので、試してみたいことが。
・2度、同じように学習させるのだけど、1度目の学習から2度目の学習のときに、新しい要素(プロンプト)を入れたら学習するのか?
・アニメーションを作るときに何枚もつくると画像毎のバラツキが気になる。例えば、2枚目の画像を作るときに1枚目に作った画像も一緒にリファレンスできれば、バラツキが抑えられるようにならないか?
どうなるか分からないが、試してみるか?
追記(後者)
後者の1枚目に作成した画像をストックして、2枚目以降にリファレンスさせる件、確かに毎回、depthして新規作成するよりはバラツキが減った
加えて、1枚目をi2iして内容を更新して2枚目のreferenceにしているので、よりモデルの推論しやすい形に変更されたと思う
以降、3枚目は2枚目に作成した画像をリファレンスさせて、4枚目は3枚目にリファレンスを繰り返す
ComfyUIはControlNet(depth)の値をpositiveとnegativeに結ぶのだが、一応、動作してそうだ。テキストをテンソルに変えても追随している感はある
denoise:1、cfg:6、seed:固定、depth_strength:0.6
だと暴れ馬感があるので、denoiseを0.9に下げてみる。さて、どうなるか?
追記(前者)
あまり、意味はないかもしれない。例えば、A+B+Cという用語で学習させたとしても、次回にDとして場合、Dで内容を学習させるかって話だ。taggerで出力してもだ。それよりも造語でもいいから1回の学習で追加で言葉を用意させた方が効果的なのではないか?どこかで試してみる
追記
読み取りはColabの中でした方が早いと思うので、Colab内でファイルを保存させつつ、保存したファイルを監視してDriveにアップロードする方法を試した。Colabの中でスレッド処理を試みたが、衝突するのか、Cloudflareの取得に失敗するのか、うまくいかないことがある
ローカルPCで画像生成している人には関係のない話だ
こういうのをみると、衝突やロックについて考えないといけないな。ちゃんとキュー待ち出来ているか、衝突を回避しているか、ロックは適切かなど考えないといけないのだが、サーバサイドやネットワークの経験があるかは重要な話題と思った。1対1であれば気にしなくていいのだけど。n対1は特にだ。1対nの時は相手側がきっちり設定していてくれる場合もあるだろう
自分のギターの音が演奏に溶け込まない、溶け込む練習をして見えたこと
音量のバランスは重要、演奏の音量に対してギターの音がデカくてはまとまらない
トーンも演奏に合した音色になるように試行錯誤する
アンサンブルに溶け込む、どっちが弾いたのか分からなくなれば、中々良さげ
学んだこと
ギターに集中するとギターしか見えなくなる。自分がどんなに機材などを揃えていっても、肝心のアンサンブルに音が馴染まなければ、それまでの投資は全て無駄になる(goalをどこに据えるか)もちろん、自分のギターの音のままで回りの演奏が合えばいいんだけど、割と自分は我が強いことが分かった
そのときに独りでプレイしているわけでないと感じる。回りの演奏は何かしらの意思決定の元で演奏されている。まったく違うベクトルの演奏をしては、マッチしないだろう。
録音して状況がよくわかる。特に音量大きいときのギターの音はひどい。情緒のかけらもない。意図的に音を区切らないならば、間を出すか、伸ばせばいい
ということから、自分が良いと思って作っているものも、とある世間という名の演奏と合わせたときに、分離感がひどく、満足いかないときがある。つまり、マッチしない可能性がある
それがニーズの正体なのではないか?もう少し回りの意図を理解して、調和させる取り組みも必要と感じだ
ソロギターも悪くはないのだが、メジャーを目指すならばバンド(グループ)であることかもしれない。
ソロギターも良いと思うのだが、コントロールできずに音を合わせられないこととは違うと思う。
要は一人で演奏することを覚えると、回りが見えなくなっている可能性はある
取引は2人以上で成立するものと考えれば、独善というのは孤独であるから成立しないのではないか
電子回路のマニュアルないか
本屋にいったけど、webのドキュメントが存在するのではないかと思い立ち、オフィシャルで調べたらあった
https://docs.arduino.cc/built-in-examples/
まずは、これで読んでみよう。何というかオフィシャルドキュメントのパクリの様な本はあると思う。だったら、その本を書く際に参考にしているモノをまずは見ればいいのだ
大概、表現することは苦手である
大概、啓発書は平たい
具体例が大切だ
マッチングについて考える
2つの話題がある

紹介する立場、受け取る立場
普段、blogや動画で何かを紹介するときは、人は発信者の立場にいるので、「機能紹介」に終止しがちだ。いや、だって「下手に紹介できないし、機能を紹介するくらいしか・・・」という理屈はよく分かる
しかし、一方で受け取る側(私)は日々の生活から、「目的」や「課題」を感じており、何か情報を得る時は「どんな体験」につながって、一番大切な体験の先に、どんな結果(何を得られる)かを重要としている
大抵、エフェクターの紹介でも何でもいいのだけど、メーカー含めて「機能」がサポートする範囲だから、私が欲しているラインまでは攻める(保証する)ことが出来ない
だから、私は機能に加えて、どんな体験を得られるかまでフォーカスして紹介しようと考えている。それはその先を想像しやすくするためだ
残念ながら、発信者と受信者は「前提」が違う。発信者がいいと思っても、スキルや能力などありとあらゆる前提が違うので、自分に当てはめてみたときに、いいとは限らないし。「機能」に対して「ある種、実用」まで追い込んでいないせいか、漏れ(ウィークポイント)は発信しない。まあ、広告だから仕方ない部分はあるんだが。だけど、それが伝わっていないと「残念」な気持ちになるのはユーザーだ
仕事とはいえ、本当に本人が実際に使うから「紹介」は少し説得力は高い。ただの「紹介」は説得力が弱い。でも、完璧にユーザーのニーズが分かっている人は別だけど
逆にいえば、私(発信者)と聞く人(受信者)も前提が違う。だから、情報として「認識」しやすい上手い「橋渡し(伝え方)」を試みないといけないのだと思う
AIに話させるときに下記を意識させたらAIが答えられなさそうかを判断しやすくなるかと考えている
AIは「前提」「根拠」から「証明」をして「コードを提示」した後、「想定される挙動」を述べよ。
それは「こちらが求めていた依頼」を満たすか逆に、これを私(発話者)として置き換えれば、この前者の部分だけでも伝えられると、聞く人は共感はできなくても発話者の前提(欲求)と自分の前提(欲求)を比べることができるのではないか?
残念ながら、現在のAIモデルというのは「一般ユーザー」がデバックして「学ぶ」「挙動が想定通り」かという行動が出来ない。正確にはデバックした結果を渡せばいいのだが、AIモデルの世界では是とすることに対して、デバックで違っていたとしても、AIモデルはおかしいと考えることは当然だろう
Vox Amps
Hand-WiredのAC10と、AC4を出荷する旨が発表された。
VOX AC10 Hand-Wired is Shipping Soon! Experience the golden era of VOX with the AC10 Hand-Wired. This compact combo amp delivers the authentic vintage tone inspired by the legendary Copper-Panel '60s AC30s.
— VOX Amplification (@VOXamps) March 20, 2025
Learn More: https://t.co/WOja2bZuzb#VOX #AC10HandWired pic.twitter.com/22wXTflxLH
AC10HWR1で、1,299.99 米ドル(約19万5000円) ※2025/3/21 レート
先日、国内で発売されたTTBCが、8万3600円だから、約、2.3倍である
ということは、
AC15C1 → ¥118,800(税込)
AC30C2 → ¥184,800(税込)
をそれぞれ2.3倍かけると、
AC15HWR1X → ¥273,240
AC30HWR2X → ¥425,040
となるわけだが、国内ではAC10HWR1の価格が発表にはなっていないので、それ待ちではある
当時のAC30HW2が21万円なので2倍くらいするのだな
昨年の展示会で弾かせたもらった時は、自分にとっては好みのサウンドだったので期待したいところだ。個人的にはこれで三種の神器が揃うといったところだ
追記(3/25)
概ね、ポンド価格では予想があっていたようだ

ギターがストレスになる時がある
久し振りにアンプでギターを弾いた。音が好きになれないことがある。機材に依存している自分に(ずっと解決されない未来を思い描くと)吐き気がしてくることに気付く。機材は自分を救ってはくれやしない。もっと、自分の演奏で何とかする
発信者は痛くも痒くもない。だけど、損をするのはユーザーだ。特に物覚えが悪いユーザーには不幸になる元だと感じる。逆に言えば、同じ考え方の人はギターの演奏が何とかなれば、そこそこ楽しめる
Vox MV50 Cleanのキャビネットから音を出すのも定期的にしていこう
理屈的には「全く同じ構成」でも演奏者によって違う音になるはずだ
ストレスになる要素は他にも
Jimmy Pageから学ぶ
ギターにあるのは6本の弦だけ、私はその主人となるか奴隷となるかどちらかなのです
よく、私はギターに踊らされるな。使われるなと言っているが、ギターに使われている時はストレスに感じている
他にも譜面を理解できずに何となく弾くこと、何度も弾くことにストレスを感じる。そこには自分の意志は介在しない。つまり、何となく弾いているわけだ。アドリブもそうだけど、どこか他人事のように自分が弾いているときはいつもストレスだ。
これって他人事だから一見、自分には関係ないからストレスを感じないのでは?と思うことがあるかもしれないけど、上手くいっても上手くいかなくてもいいように保険を掛けている行為に過ぎない。本当に他人事ならばストレスは感じないだろう。しかし「譜面の弾き方が分からない」「譜面の通りに弾けないこと」を認めたくないのであって、たまたま、上手に出来たら自分の手柄にしようとしている気持ちを持っている。結果、中途半端に自分の意志が介在しているので他人事と捉えているのか実際の感情はどちらなのか分からなくなって「ストレス」に感じている
一方で、自分はギターは明確な意志で弾いたときにはストレスを感じない。失敗しようと「良くも悪くも言い訳をしない」からだ。自分が何をどう弾くか内容を決めている。「まさしく、何かしらの目的のためにギターを道具として使っている瞬間だ」
弾く内容が明確ではあるとも考えられるが、そんな受動的で話題ではなく、そもそも、そんなときは、弾き方は分かっており、大概、自分が弾ける内容(レベル・技)で構成されているので弾けないってことはない
自分が弾く内容を決めた後の行為だ。(ここに曖昧さはない)
上記と比べると、何となく弾くという行為はいつまでも自分の意志が介在しないプレイであり、いつまでも自分の意志で弾けないプレイであり、いつまでも上達を感じられないプレイである。だから、ストレスなのだ
意志のあるプレイは自分の現在の技量でプレイしているだけなので、「上手さ」という概念がそもそもない。その時点では比較なんて考えていない
要は何となくストロークするのも「ストレス」って話だ。合っているのか間違っているのか?ってのもあるのだけど、何でそのストロークなのかってのがない。ダウンは何回してアップは何回する。それで十分なのではとか考察もない
一回、一回のプレイで自分の意志が介在した方がきっと楽しい
演奏内容が頭にあれば、その通り弾くというのも「自分」が決めた内容だから、きっと楽しい
単に失敗しても認めればいいだけだしな。
課題
譜面で理解できない演奏があったら、何となく弾くけど弾けなくてストレスがある。「どこか自分が理解できない、自覚していない要素」があると思って、探求していく必要がある。それが分からない限り、ずっと同じループだから、それを回避する選択を決め込む必要がある
プログラミングも同じことが言えると思うよ。
絵というのは「白」と「黒」だけでも絵になるのだな。
カラーである必要は必ずしもないことだ。2色で表現できると思うと、僕が目指す方向はそういうものだろう。今更だが学生の頃から基本に集中したら良かったと思っている


AIに依頼内容とコードを食わせるのはどの範囲が適切か?
「プロンプトには入力文字数に制限がある」と思うのだけど、コードを食わせると、それなりの文字数になるので、limitに達するのが早い。だけど、全体の意図をAIに読み取って回答してほしいというジレンマが存在すると思う
Xのポストとか見ていると、cursorとか専用ツールを使おうという話題も出てくるのだが、そこには本質的には解決する糸口があるはずだ
依頼を分割する(ソースコードの単位)というのが、簡単な解決方法かなとは思う。ただし、コードが増えると依頼を分割するジレンマがまた発生しそうだが
上記をするためには、依頼の分割を人間が行う必要があり、このコードの責任の範囲はここまでだよと区切って、疎通したときに、つながるようにしてあげる必要がある
ここら辺は多少なりともコードに触れようとする気持ちが必要なのだが、初回でコードの構成について、AIに聞いてある程度、固まったらコード割をしてもいいかもしれないね
また、AIも回りくどいロジックを吐き出すことがあるので、ある程度、こちら側で挙動について依頼時に検討しておくとスムーズかもしれん。
ただし、何度か同じ依頼内容でしてみて、よいものを選ぶという選択肢もある。ただ、現状はデバックを人力でしているので、AIをタスクとして使う場合は、一意に理解できる程度に明確な依頼や、明確な基準を持たせることが必要だと思う
ソフトウェア開発のプロジェクトにおいて、「小規模」や「中規模」とは、おおよその範囲で次のように分類されることがあります。ただし、これは業界やプロジェクトの性質によって異なる場合があるため、目安として捉えてください。
### 小規模プロジェクト
- **コード行数 (LOC)**: 数百行から数千行程度。
- **ファイル数**: 数十個程度(10~50ファイルが一般的)。
- **特徴**: 単一の目的や機能を持つシンプルなアプリケーションやツール。一人や少人数(1~5人程度)のチームで開発。
### 中規模プロジェクト
- **コード行数 (LOC)**: 数万行程度(10,000~50,000行が目安)。
- **ファイル数**: 数百個程度(50~500ファイルの範囲が多い)。
- **特徴**: 複数のモジュールや機能を持つシステム。より多くの開発者が関与し、設計や管理が必要になる。
### 規模感の違いに影響を与える要素
1. **言語やフレームワーク**: JavaやC++のように冗長なコードが必要な言語と、Pythonのように簡潔な記述が可能な言語では行数が異なります。
2. **プロジェクトの目的**: Webアプリ、デスクトップアプリ、組み込みシステムなどで求められるコード量が変わる。
3. **開発体制**: チームの人数や使用するツール(バージョン管理、CI/CDツールなど)も影響します。
もし、具体的なプロジェクトの例や適したツールの提案などが必要であれば、ぜひ教えてください!Copilotに聞くと、僕が使っている範囲は「小規模」に当たるらしい。しかし、分割は必要に感じる場面はある。なぜならば、毎度、コードをコピペで貼るのもつらい。
というわけで、入力制限とは別の話だが、Markdown+最新のコードをセットで貼り付けるプログラムを別途、用意すると楽になるかなと試行錯誤している途中だ。(コードMarkdownへののコピペを楽にする。ついでにコメントの部分は任意に削れるといいかもしれない)
依頼も追加で変わる
AI開発をするときに便利な話
AIによる回答で開発がうまくいかなくて、推論を何度も繰り返す場面がある。そういった時に、いくつか試して楽になることがあったのでメモをしておく
「タスク」としてAIにコードを依頼するのは悪くない話だ。しかし、このタスクを「コード」の書き方が分からないとは分けた方がいい。どうプロジェクトを進めたらいいかっていう「相談」や「ティーチング」に近い
つまり、「タスク」というのはやろうと思えば、自分でもコードが書ける状態だと定義しよう。(この仮の定義にした方が後続の話について進めやすいからだ)
で、いくつか修正内容があったとする。どう取り組むかだけど。
以前、AIが回答してくれた書き方で同じようにコードを追加できないか?(変数名を変えるだけとか。ロジック的には変わらなければ、人の手で直接追記する。分量によるが、AIにタイプ、やりとりする時間と天秤にかける)
ロジック的には大きく変わらなくて、一部、修正したい場合、したいことが明確であれば、その部分だけAIに書き方を聞く
いずれにしても、修正を最小の手間で、自分の中では整合性、可用性など何かしら筋が通るようにするにはどうしたらいいか?と自分の頭で考えることで、解決するパターンがあるということだ。何も考えずにAIに聞いてはいけない。
理由は何も考えずにただAIに依頼したままだと、延々と推論を繰り返す泥沼にハマる可能性があったからだ。これはストレスだし、AIにイライラをぶつける原因になる。
もちろん、自分がすること(やり方が分かっている状態)をAIに代行させるならば、全てAIに書かせていいと思うが、少なからず書き方が分からないときなどは、機能追加などの修正は、一度、立ち止まって考えるといい感じだ
前者は指示を明確に書ける、後者は指示を明確に書けない。従って、前者はAIが答えやすく、後者はAIに選択肢が多くあり不安定な状態だろう
狙ったものが欲しい場合は、依頼する本人が内部の動きまで明確に言語化できる必要がある
OCR
ほう、それは気になる。日本語という点ではいいかもだな。まあ、中々手書きは難しいだろうけど・・・。目的が違うか。
固有名詞の訂正
Geminiにnoteの記事の固有名詞の表記を訂正してもらった
ツールは自前である。意外に使っている。GeminiのAPIキーを用意すれば誰でも使える。Googleは無料で使う機会をくれるからその点は参入障壁が低くてよい。毎回、ログインしなくていいし便利だ

# 依頼
固有名詞の表記が正しいかチェックしてください
# 出力方法
単語単位でお願いします
## 例
【検出】"openai"【正】"OpenAI"【判定】"✕"
【検出】"Colab"【正】"Colab"【判定】"〇"
### 抽出
【判定】✕の行だけ抽出してください
# Outputで、VSCodeで以下の正規表現で〇だけ抽出して置換すると、✕だけが残る
.*【判定】"〇".*\r?\n
おわり!