「ブラウザから話しかけたら、AIが声で返してくる」——そんなアプリを$5の無料クレジットから作り始めて、誤検知との格闘、User Pool全消し事故、2つの通信方式の実測対決を経て、terraform apply一発で立つ本番サービスになるまでの開発記、全7回。
コードはすべて公開している: GitHub – realtime_voice(PR単位で試行錯誤の履歴がそのまま残っている)
全7回の物語
第1回 Claude Codeと1日で作るリアルタイム音声AI
$5の無料クレジットから始めて、Push-to-Talk通話・Web検索RAG・ペルソナ・Cognito認証・Terraformまで1日で辿り着いた初日の記録。
第2回 「コードは読まない」開発スタイル
人間は図と意図を持ち、コードはAIが読む。Mermaid図解の運用ルールと522行のmain.py分割で、人間とAIの分業を作った。
第3回 AIが空耳する日
机を叩くとAIが反応する誤検知、突然の文字起こし崩壊。ログから犯人を追い詰める謎解き2本とコンテナ化。
第4回 terraform applyで音声AIサービスが立つまで
月30ドルの本番環境をterraform apply一発で。User Pool全消し事故と、ローテートしても死なないAPIキーの謎。
第5回 User Poolはインフラではなくデータである
事故の反省会から生まれたTerraformスタック分割の設計論。「作り直せるか」と「壊す頻度」の2軸。
第6回 WebSocket中継 vs WebRTC直結
両方実装して固有名詞の認識精度で殴り合わせた実測対決。録音チェーンの鮮度バグと「デグローム融合事件」。
第7回 無線機から電話へ
サーバーVADでハンズフリー通話を実装。PTTボタンはミュートトグルに転職し、無線機は電話になった。
この開発から生まれたもの
この一連の開発はWorks(実績紹介)にも掲載している。「作りたいものがある」「PoCを試したい」という方はお問い合わせからどうぞ。要件が固まっていない段階のご相談も歓迎です。