API リファレンス
API リファレンス
Discord AI Voice Bot のコマンドとAPI仕様について説明します。
🎮 Discord スラッシュコマンド
基本コマンド
/ping
ボットのステータス確認
/ping
機能:
- ボットの応答時間測定
- API接続状態確認
- システムリソース状況表示
応答例:
🏓 Pong! レスポンス時間: 42ms
✅ すべてのサービス正常
音声関連コマンド
/join
ボイスチャンネルに参加
/join
機能:
- ユーザーが参加中のボイスチャンネルに自動参加
- Voice Activity Detection (VAD) 自動開始
- 音声処理パイプラインの初期化
前提条件:
- ユーザーがボイスチャンネルに参加している
- ボットにVoice権限が付与されている
/leave
ボイスチャンネルから退出
/leave
機能:
- ボイスチャンネルから退出
- 進行中の録音処理を安全に停止
- リソースのクリーンアップ
/record [duration]
手動音声録音
/record
/record duration:15
パラメータ:
duration(オプション): 録音時間（秒）、デフォルト10秒、最大30秒
機能:
- 指定した時間の音声録音
- 自動音声認識処理
- AI応答生成とTTS再生
/listen
Voice Activity Detection の開始/停止
/listen
機能:
- VADシステムのON/OFF切り替え
- 自動音声検出の有効化/無効化
- 録音統計情報の表示
VAD設定:
- 無音閾値: 1秒
- 最小録音時間: 200ms
- 最大録音時間: 15秒
- 音声検出閾値: パケットサイズ >50バイト
AI・画像解析コマンド
/screenshot
スクリーンショット撮影・解析
/screenshot
機能:
- デスクトップスクリーンショット撮影
- OpenAI Vision / Ollama LLaVA による画像解析
- 日本語での画像内容説明
- 必要に応じて操作提案
対応形式:
- PNG, JPEG形式での画像保存
- 最大解像度: 1920x1080
- ファイルサイズ制限: 10MB
/screen_share
画面共有解析の開始/停止
/screen_share
機能:
- リアルタイム画面監視の開始/停止
- 定期的なスクリーンショット解析（5秒間隔）
- 画面変化の検出と通知
- 操作支援とアドバイス
🔧 内部API仕様
Voice Activity Detection API
VAD状態管理
type VADState struct {
IsActive bool `json:"is_active"`
IsRecording bool `json:"is_recording"`
LastVoiceTime time.Time `json:"last_voice_time"`
RecordingCount int `json:"recording_count"`
TotalDuration time.Duration `json:"total_duration"`
}
VAD統計情報
type VADStatistics struct {
SessionStart time.Time `json:"session_start"`
TotalRecordings int `json:"total_recordings"`
TotalDuration time.Duration `json:"total_duration"`
AverageLength time.Duration `json:"average_length"`
VoicePackets int `json:"voice_packets"`
SilencePackets int `json:"silence_packets"`
}
音声処理API
音声録音インターフェース
type AudioRecorder interface {
StartRecording(duration time.Duration) error
StopRecording() ([]byte, error)
IsRecording() bool
GetRecordingDuration() time.Duration
}
音声認識API
type WhisperRequest struct {
AudioData []byte `json:"audio_data"`
Language string `json:"language"`
Model string `json:"model"`
}
type WhisperResponse struct {
Text string `json:"text"`
Language string `json:"language"`
Confidence float64 `json:"confidence"`
Duration float64 `json:"duration"`
}
AI統合API
LLM応答インターフェース
type LLMRequest struct {
Messages []Message `json:"messages"`
Model string `json:"model"`
Stream bool `json:"stream"`
}
type Message struct {
Role string `json:"role"` // "user", "assistant", "system"
Content string `json:"content"`
}
type LLMResponse struct {
Text string `json:"text"`
Model string `json:"model"`
CreatedAt time.Time `json:"created_at"`
TokensUsed int `json:"tokens_used"`
ResponseTime float64 `json:"response_time"`
}
Vision AI API
type VisionRequest struct {
ImageData []byte `json:"image_data"`
Prompt string `json:"prompt"`
Model string `json:"model"`
}
type VisionResponse struct {
Description string `json:"description"`
Objects []DetectedObject `json:"objects"`
Text []ExtractedText `json:"text"`
Confidence float64 `json:"confidence"`
}
type DetectedObject struct {
Name string `json:"name"`
Confidence float64 `json:"confidence"`
BoundingBox Rectangle `json:"bounding_box"`
}
TTS API
AivisSpeech (VOICEVOX) インターフェース
type TTSRequest struct {
Text string `json:"text"`
Speaker int `json:"speaker"`
Speed float64 `json:"speed"`
Pitch float64 `json:"pitch"`
}
type TTSResponse struct {
AudioData []byte `json:"audio_data"`
Duration float64 `json:"duration"`
Format string `json:"format"`
}
利用可能な音声タイプ
| Speaker ID | 名前 | 特徴 |
|---|---|---|
| 3 | ずんだもん(ノーマル) | 標準的な音声 |
| 1 | 四国めたん(ノーマル) | 落ち着いた音声 |
| 8 | 春日部つむぎ(ノーマル) | 明るい音声 |
| 2 | 四国めたん(あまあま) | 甘い音声 |
| 0 | 四国めたん(ノーマル) | デフォルト |
🔌 外部サービス統合
Ollama API
エンドポイント
GET /api/tags # モデル一覧
POST /api/generate # テキスト生成
POST /api/chat # チャット形式
POST /api/pull # モデルダウンロード
推奨モデル
# 日本語対応LLM
ollama pull qwen2.5:7b # 軽量・高性能
ollama pull llama3.1:8b # 汎用性重視
ollama pull codellama:7b # コード生成特化
# Vision対応
ollama pull llava:7b # 画像解析
ollama pull llava:13b # 高精度画像解析
go-whisper API
エンドポイント
GET /v1/models # 利用可能モデル
POST /v1/audio/transcriptions # 音声認識
POST /v1/audio/translations # 音声翻訳
音声認識リクエスト
curl -X POST http://localhost:8080/v1/audio/transcriptions \
-H "Content-Type: multipart/form-data" \
-F "file=@audio.wav" \
-F "model=whisper-1" \
-F "language=ja"
VOICEVOX API
エンドポイント
GET /speakers # 利用可能話者
POST /audio_query # 音声合成クエリ
POST /synthesis # 音声合成実行
音声合成フロー
# 1. 音声クエリ生成
curl -X POST "http://localhost:50021/audio_query?text=こんにちは&speaker=3"
# 2. 音声合成実行
curl -X POST "http://localhost:50021/synthesis?speaker=3" \
-H "Content-Type: application/json" \
-d @query.json \
--output audio.wav
📊 ログとメトリクス
ログレベル
const (
TRACE = "TRACE" // 詳細なデバッグ情報
DEBUG = "DEBUG" // デバッグ情報
INFO = "INFO" // 一般的な情報
WARN = "WARN" // 警告
ERROR = "ERROR" // エラー
)
主要メトリクス
音声処理メトリクス
type VoiceMetrics struct {
RecordingsTotal int `json:"recordings_total"`
RecordingDuration time.Duration `json:"recording_duration"`
ProcessingTime time.Duration `json:"processing_time"`
WhisperLatency time.Duration `json:"whisper_latency"`
TTSLatency time.Duration `json:"tts_latency"`
ErrorRate float64 `json:"error_rate"`
}
システムメトリクス
type SystemMetrics struct {
Uptime time.Duration `json:"uptime"`
MemoryUsage uint64 `json:"memory_usage"`
GoroutineCount int `json:"goroutine_count"`
CPUUsage float64 `json:"cpu_usage"`
ActiveConnections int `json:"active_connections"`
CommandsProcessed int `json:"commands_processed"`
}
🔐 セキュリティ
認証・認可
- Discord OAuth2によるボット認証
- 環境変数による機密情報管理
- チャンネル・ユーザー権限の検証
レート制限
type RateLimiter struct {
CommandsPerMinute int // スラッシュコマンド: 60回/分
RecordingsPerHour int // 音声録音: 100回/時間
AIRequestsPerHour int // AI API: 500回/時間
ScreenshotsPerHour int // スクリーンショット: 20回/時間
}
データ保護
- 音声データの一時保存（処理後自動削除）
- ログの個人情報マスキング
- SSL/TLS通信の強制
🚀 パフォーマンス
推奨システムリソース
Minimum:
CPU: 2 cores
RAM: 4GB
Storage: 5GB
Recommended:
CPU: 4 cores
RAM: 8GB
Storage: 20GB
GPU: CUDA対応 (Whisper高速化)
パフォーマンス最適化
- Goroutineによる並行処理
- 音声バッファプーリング
- AIモデルのローカルキャッシュ
- WebSocket接続の維持