speech-habit-lens

2コマンドで回る

1. shl analyze speech.wav --out report.md 音声認識 → ESAS抽出 → Claude三層 → Markdownレポート。エンドツーエンドで3-4分
2. shl serve Streamlit UIをlocalhost:8501で起動。ブラウザマイク録音、Plotly時系列、クロス層カード付き
3. --model claude-opus-4-7 解析モデルを1発ごとに切替。Sonnet 4.6(既定)、難しいクロスパターンにはOpus 4.7、コスト削減はHaiku 4.5

誰のためのツールか

• 登壇者・創業者 これから話すピッチを事前に監査。本番の前に癖を捕まえる
• プロダクトマネージャー アップデートの説明で聴衆が降りる文を特定して、そこだけ直す
• コーチ・教育者 「なんとなく平板」ではなく、時刻+パラメータ+引用でフィードバックを根拠付ける
• 好奇心のあるエンジニア 自分のスピーチの癖を、1分の音源で楽器のように見る

どんな時に使うか

• ピッチ・トークの練習中: 開幕の癖を本番前に聞く
• ウケなかったデモの後: 声が言葉から遅れた瞬間を特定する
• スピーカーをコーチするとき: 印象論の代わりに、時刻+パラメータの根拠付きレポートを渡す
• 自分の話し方を月次で棚卸しするとき: 気づいていなかった癖を1分の録音から読む

インストール

git clone https://github.com/kenimo49/speech-habit-lens
cd speech-habit-lens
pip install -e .

cp .env.example .env   # AMIVOICE_API_KEY + ANTHROPIC_API_KEY

AmiVoice APIキー(月60分まで無料)と Anthropic APIキーが必要です。1解析あたりClaude Sonnet使用量は約¥18、月60本回して¥1,080ほどが目安です。

三層解析

• 音響層: ESAS 20パラメータの時系列。テンション推移、抑揚の偏り、出だしのエネルギー、終端の失速
• テキスト層: 認識テキストからフィラー、結論位置、繰り返し語、論理展開
• クロス層: 「結論手前で声量が落ちる」のような身体×言語の連動パターン
• Grounding Rule: 全主張に時刻+パラメータ+引用の3点引用を強制。ハルシネーションを抑制
• ESASは言語非依存: テキスト認識が荒れても音響的な癖は鋭く出る
• ESAS 20パラメータの実フィールド名を全件live APIで実測確認済み(公式docsの記載は5例のみ)
• Streamlit UI: ブラウザマイク録音、PlotlyのインタラクティブESAS時系列、クロス層カード、Markdownレポート DL

4本ピッチの実測

同じツールで、Jobs・孫正義・西野・落合の60秒スピーチ4本を解析した結果。数字はツールが出したピーク値です。

単一の指標では良し悪しは決まりません。Jobsのenergyピークは21、孫正義は44、両者とも聴衆に届いています。ツールが見せるのは、各話者の癖がどこに宿るか — 西野は「ちょっと」を5回、孫正義は結論を頭で言い切る型、落合は音響が濃いまま認識confidenceが0.70まで落ちる型。数字で決めるのではなく、タイムライン上に癖を名指しできることが目的です。

4本ピッチの詳細ケーススタディ →

印象論では見えない2つの動き

ツールが日常的に暴くのはこの2つです。印象論ではそのまま抜け落ちる箇所。

使い方

# 解析: recognize → ESAS → Claude×3層 → Markdownレポート
shl analyze examples/sample.wav --out report.md

# Claudeモデルを1発ごとに指定
shl analyze examples/sample.wav --model claude-opus-4-7 --out report.md

# localhost:8501でマイク録音付きブラウザUI
shl serve

Web UI

shl serveでStreamlit UIがlocalhost:8501に立ち上がります。ブラウザのマイク録音か.wavのドラッグ&ドロップで解析し、ESAS時系列をPlotlyでインタラクティブに眺めて、クロス層カードを開き、Markdownレポートをダウンロード。APIキーは.envからサーバー側で読み込まれ、ブラウザには露出しません。

実際に返ってくる判定

ツールが実際のスピーチから拾ってきた3パターン。すべて時刻+パラメータ+引用付き。

• Stallman開幕(0.0s, anticipation=65, energy=2, confidence=15): 先取り感は最大、声のエネルギーは最小。「なんか噛み合ってなかった」と印象で語られる、その具体的な1秒
• intensive_thinking=62 × energy=3: 最も激しく考えている瞬間に声の出力が最低になる逆相関。ツールを回した長尺トークではほぼ全部で観測
• passionate=0 多発 × フィラーゼロ: 言葉は止まらないが情動信号は0。よく練習されたピッチが陥る「流暢だが熱量無し」の型。クロス層でしか見えない

ツールは鏡であって、コーチではありません。タイムラインに癖を名指しするところまでがツールの仕事で、その先はあなたのものです。

v0.2、Zennfes Spring 2026提出版。推奨クリップ長は30-90秒(AmiVoiceの月60分無料枠を保護)。解析はエンドツーエンドで約3-4分かかります。ESASパラメータの意味づけは実測+公式パラメータ一覧からの逆算で、クロス層の所見は臨床測定ではなくコーチングのヒントとして扱ってください。

なぜ作ったか

登壇のフィードバックは印象で語られがちです。「緊張していた」「終わりが弱かった」「途中で聴衆が降りた」。印象が言葉になったときには、その瞬間を作った具体的な1秒はもう手元にありません。ここでの3層は、その1秒を離さないためのものです。音響層は言葉を認識できたかどうかに関係なく1秒を測り、テキスト層は実際に何が話されたかを記録し、クロス層が両者を同じタイムラインに揃えて、癖を印象ではなく引用に変えます。原稿と同じように、話し方もデバッグできるはずです。

Whisper・pyAudioAnalysisとの位置関係

役割が違います。Whisperは書き起こし、pyAudioAnalysisは音響フレームの分類。speech-habit-lensはその上の層で、感情パラメータの時系列と書き起こしを同じタイムラインに並べて、厳格な引用ルールでLLMに癖を名指させます。

「—」はそのツールが標準で提供しない面を示します。speech-habit-lensは書き起こしエンジンと音響信号の上に載る層(現在はAmiVoice ESAS)で、上流を差し替えてもクロス層解析は同じ形で動きます。

よくある質問

作者について

作者はKen Imoto。Zenn・Qiita・Dev.to・当サイトで技術記事300本以上、4言語で書籍40冊以上、Zenn・Qiitaで累計40万PV超、Zenodoで研究論文4本を公開し、LLMO Frameworkを設計しています。

詳しいプロフィール →