## 要約

リアルタイムアバターとキャラクターチャットを組み合わせたサービスに、Lovense のような触覚デバイスを接続した。目的は成人向けのギミックそのものではなく、会話、音声、表情、動画、物理出力を同じ時間軸に並べたとき、どこまで「そこにいる」感覚を増幅できるかを確かめることだった。

結論から言うと、賢いモデルに全部任せるより、小さな触覚DSLを用意したほうがUXは安定した。LLMに「時系列上の強度配列」を直接考えさせるのはまだ難しい。一方で、`wave`、`breathe`、`pulse`、`loop` のような部品を渡すと、弱いローカルLLMでもそれなりに意図のある動きを生成できた。

この記事は、個人実験として admin 限定で実装したMVPの記録である。内容の性質上 NSFW を含むが、実装の主題は「キャラクターAIの身体性をどう作るか」にある。

## 背景: 伸びたが、まだ依存されていない

Kotonia はリアルタイムアバターとキャラクターチャットを組み合わせている。少なくとも自分の観測範囲では、画像、音声、動画、チャット体験を同じサービス内で高い水準まで揃えたプレイヤーはまだ少ない。

自然流入だけでも手応えはあった。記事投稿や X 運用を地道に進め、Google 検索に表示されるようになってから約1か月で登録数は70まで伸びた。広告なしでここまで到達したので、入口の仮説は悪くない。

ただし、ペイウォールは高い。有料会員はまだゼロで、依存シグナルも強くない。つまり「面白い」と「払い続ける」は別物であり、次の大きな機能仮説を探す必要があった。

候補は2つあった。

1つ目は、APIやSDKを提供する開発者向けサービスである。その発展形として、Linuxエージェントを本格的に整備し、ブラウザで完結しながらアバターが常駐する Claude Code 的な価値を提供する構想がある。

2つ目が、今回扱う物理接触操作系である。Lovense は既存資産との親和性が高く、UXへの影響も大きい。最終形としては、触覚デバイスよりも人形ロボットや身体を持つエージェントのほうが本命だと思っている。Kotonia はもともとリアルタイム性と行動抽出を強く意識しているので、物理側の機材を買って調整すれば勝ち筋があるかもしれない。

## 参照した文脈

この実験の直接の刺激になったのは、Kyure_A さんの [LLM と触覚デバイス制御に関する記事](https://kyre.hatenablog.jp/entry/2025/05/06/212549) だった。そこでは LLM が外部ツールを通じて成人向けデバイスを操作するという、かなり強い仮説が扱われていた。

自分の場合は、MCPサーバーとしてLLMに直接デバイスを操作させるより、キャラクターチャットの返答に「構造化された触覚命令」を混ぜ、それをフロントエンドで安全に解釈してデバイスへ送る構成にした。会話、音声再生、アバターの発話、触覚出力を同じユーザー体験に束ねたかったからだ。

関連する内部実験としては、[Voice-first local LLM](/articles/voice-first-local-llm/) や [機能ではなくUXがボトルネックだったという話](/articles/features-existed-ux-was-the-bottleneck/) の延長にある。

## 触覚出力は可変長の時系列配列である

本質的には単純だ。触覚制御は、時間と強度を2次元で表現できればよい。

たとえば、次のような列を考える。

```text
3x2, 0x0.8, 5x4
```

これは「強度3で2秒、停止0.8秒、強度5で4秒」という意味にできる。これだけでも、発話の長さに合わせて大まかな触覚区間を作れる。

しかし、会話と物理出力を気持ちよく同期するには、単なる固定列だけでは足りない。会話には間がある。ためらいがある。途中で強くなり、弱くなり、また戻るような変化がある。人間はその変化から意図を読む。

そこで最小限のDSLを足した。

```text
wave(6,1,7,4)
breathe(8,2,5)
pulse(2,7,0.25)
loop(2){breathe(6,2,5),0x0.6,wave(4,1,6,3)}
```

`wave` は一定時間の波、`breathe` は呼吸のような上下、`pulse` は短い拍、`loop` は内部パターンの反復である。LLMには「強度配列を全部設計せよ」ではなく、「この部品を組み合わせよ」と頼む。

これはかなり効いた。ローカルLLMがあまり賢くなくても、ループや呼吸を組み合わせるだけで、単調なバイブレーションよりずっと生きている感じになる。

## 文字数から発話時間を推定する

音声の正確な再生時間が常に事前に取れるとは限らない。そこでMVPでは、発話テキストの文字数からおおよその発話秒数を推定し、その範囲に触覚命令をスタックできるようにした。

厳密な同期ではない。ただし、最初の体験としては十分だった。キャラクターが話している間だけ動く。話し終わると止まる。さらに、途中に停止区間や強弱の波が入る。この程度でも、常時一定強度で動くより体験はかなり変わる。

重要なのは、発話と物理出力が完全に一致することではない。ユーザーが「いまの言葉に反応している」と感じられる範囲に収めることだ。

## 正規表現ではなく、構造として取り出す

最初はチャット返答に次のようなコマンドを混ぜていた。

```text
{{TOY: loop(2){breathe(6,2,5),0x0.6,wave(4,1,6,3)}}}
```

しかし、既存のチャット処理には未知のコマンドや不要な記法を取り除く正規表現があった。これでは、フロントエンドに届くころには触覚命令が消えてしまう。

最終的には、返答本文と触覚命令を別々の構造として扱うようにした。ユーザーに見せるテキストからはコマンドを除去する。一方で、フロントエンドには `toyCommands` のような構造化フィールドとして返す。これなら、UI表示とデバイス制御を混線させずに済む。

この段階で、通常のチャット返答ではフロントエンドまで命令が届くようになった。

## ループで壊れた理由

一番地味に詰まったのは `loop` だった。`loop(2){...}` の内側にも波形や呼吸が入るため、単純な正規表現では閉じ括弧の対応を取り違える。

さらに、LLMはよく最後の `}` を1つ落とす。外側の `{{TOY: ...}}` と内側の `loop(){...}` が重なるため、本来は末尾が `}}}` になる場面がある。人間でも少し見づらい。

ここはスキャナで読むようにした。`{{TOY:` を見つけたら、波括弧の深さを数えながら終端を探す。最後の外側閉じが1つ足りない場合は、明らかに復元できる範囲だけ補正する。これで、`loop` の中に `wave` や `breathe` を入れてもフロントエンドまで届くようになった。

## ユーザーとしての実感

実際に触ると、強いのは単純な強度ではなかった。むしろ、止まる時間、弱くなる時間、また強くなる時間のほうが効く。

キャラクターの発話が続くあいだずっと一定で動くと、すぐに機械的に感じる。ところが、短い停止や呼吸のような揺れが入ると、モデル自体が賢くなったわけではないのに、相手がタイミングを見ているように感じる。

ここが今回の本質だと思う。ローカルLLMはまだ、会話内容、音声の長さ、ユーザーの状態、物理出力の時間空間をまとめて想像できるほど賢くない。だからこそ、抽象度を下げたDSLと、時間を補う実行系が必要になる。

知能を上げるのではなく、知能があるように見える時間構造を作る。

## 安全側の制約

MVPでは admin 限定にした。一般公開には慎重になるべきだからだ。少なくとも次の制約は必要だと感じた。

- 明示的に有効化した管理者だけが使える
- デバイス接続状態がUI上で確認できる
- 最大強度、最大秒数、連続実行時間を制限する
- 不明なコマンドは捨てる
- 即時停止ボタンを用意する
- 成人向け文脈では年齢確認と同意を前提にする
- ログに残す情報と残さない情報を分ける

これは単なるリモコンではない。会話AIが身体性を持つと、UXの強度もリスクも同時に上がる。

## 次にやること

次は、より複雑な `wave`、複数レイヤー、条件付きループ、音声区間との同期を磨きたい。たとえば、発話の開始、語尾、沈黙、ユーザー割り込みをイベントとして扱い、そこに触覚パターンを重ねる。

最終的には、触覚デバイスだけでなく、腕、表情、姿勢、視線、簡易ロボット、人形型デバイスまで含めて、キャラクターの身体を時系列で制御したい。

画像、音声、動画、チャットはすでに高い水準まで来ている。残っているのは、それらを「身体を持つ相手」として統合することだ。今回の実験は、その小さな入口だった。

## まとめ

今回わかったのは、物理接触のUXはモデルの賢さだけで決まらないということだ。

低性能なローカルLLMでも、触覚命令を構造化し、時間と強度をDSLで扱い、発話時間に合わせて実行すれば、体験はかなり変わる。特に、停止、波、呼吸、反復は効果が大きい。

キャラクターチャットの次の差別化は、より大きなモデルだけではない。モデルが身体を持ったとき、どのタイミングで、どのくらい動くのか。その設計が、これからのUXの一部になる。


リアルタイムアバター型キャラチャットにLovenseを接続し、低性能LLMの弱さを時系列制御と触覚DSLで補う実験記録。