rayenfeng/riko_project

解決する課題

多くのAIコンパニオンは静的であったり、クラウドサービスを必要としたりするため、カスタマイズが困難です。Rikoは、性格、音声、外見のすべてを単一の構成ファイルから制御できる、コンパクトなオープンソースの基盤（500行未満）を提供します。標準的なチャットスクリプトを物理的な存在へと変えます。あなたが声に出して話すと、彼女が声で答え、3Dアバターが口を動かして同期します。これらすべてがあなたのPC上で完結します。

仕組み

コアループは以下の通りです：Enterキーを押して録音を開始し、話し、もう一度Enterキーを押して停止します。音声は、ローカルの Faster-Whisper またはオンラインの Groq Whisper を使用してテキストに変換されます。そのトランスクリプトは OpenAI GPT（任意のモデル、デフォルトは gpt-4.1-mini）に送信され、返答が生成されます。返答は、GPT-SoVITS（ローカル音声クローン）または Fish Audio（クラウド音声）を使用して音声クリップに変換されます。最後に、ブラウザに表示された VRM アバターが three.js と three-vrm を使用してクリップを再生し、リップシンクを行います。各ステップは個別のファイル（asr.py, llm.py, tts.py, viewer.py）に配置され、main.py がこのシーケンスをループで実行します。会話履歴は chat_history.json に保存されるため、彼女は内容を記憶します。

対象ユーザー

このオープンソースのスナップショットは、独自のAIコンパニオンをカスタマイズするためのクリーンで読みやすい基盤を求める開発者や愛好家を対象としています。ターミナル（uv および Python）の操作に慣れていること、および OpenAI（オプションで Fish Audio または Groq）の API キーが必要です。Windows 10/11 または Python 3.11+ を搭載した Linux で動作します。ノーコード体験や最新機能を希望される場合は、README に記載されている有料オプション（Patreon でのフルソースまたはデスクトップアプリ）をご利用ください。

ハイライト

• プッシュ・トゥ・トーク音声入力：Enterキーを押して話し、もう一度押して停止。
• ローカルの Faster-Whisper またはクラウドの Groq による音声認識。
• OpenAI GPT による返答（任意のモデルを選択可能）。
• GPT-SoVITS（ローカル音声クローン）または Fish Audio（クラウド）による音声生成。
• ブラウザ上の VRM アバターによるリップシンク。ドラッグで回転、右ドラッグで移動、スクロールでズーム。
• 性格、アバター、音声の設定はすべて1つの YAML ファイル (character_config.yaml) に集約。
• 不足しているキー、サーバー、ファイルを報告するセットアップチェッカー。
• 総コードベースは500行未満、MITライセンス。
• 会話履歴は管理可能なファイルに保存。