おばちゃんを封印せよ――ChatGPTの「Dictate」を探した日

個人で作っている音声会話システムを調整していたところ、ChatGPT側のUI変更に引っかかった。

読み上げ終了後、自動で音声入力を始めるはずが、なぜかChatGPT標準のVoiceモードが起動する。

私の中では、あの女性音声はすでに「おばちゃん」である。

調べてみると、現在の入力欄付近には音声関係のボタンが2つあった。

Dictate
Start Voice

名前だけ見ると似ているが、役割は別物だった。

Dictate
＝音声を文字入力する
Start Voice
＝ChatGPTのVoiceモードを開始する

つまり、おばちゃんを召喚していた犯人は Start Voice だった。

Consoleから、

document.querySelector(
    'button[aria-label="Dictate"]'
)?.click();

を試すと、欲しかった通常の音声入力が始まった。

音声入力中は、

Cancel dictation
Stop dictation

に変化し、停止後は Send、送信後は再び Dictate に戻る。

現在使っている流れは、

Dictate
↓
話す
↓
「セバスチャン」
↓
Stop dictation
↓
Send

というもの。

ちなみに「セバスチャン」は終了ワードとして使っている。

冗談半分で選んだ名前だったが、普通の会話に混ざりにくく、音声認識もかなり安定している。終了ワードとして非常に優秀だった。

今回の原因は、複雑な音声認識処理ではなかった。

押しているボタンが違っただけ。

Start Voice をやめて Dictate を使うことで、標準Voiceモードを起動せずに音声入力だけ利用できるようになった。

おばちゃん封印成功。