# SPEC_v3.md — MARK Ⅶ 能動型 Jarvis 仕様書 > 中期目標「アイアンマンJarvis本物化＝能力の延長線」の Phase 2。 > 全権委任モード（feedback_full_delegation_mode.md）第1回適用。 > 仕様確定：2026-05-06。 --- ## 🔴 ゴール（映画のJ.A.R.V.I.S 本体に最接近） 「**呼ばれてなくても、必要なときに自分から喋ってくる相棒**」 具体的に： - マイク音声を**ストリームで**常時テキスト化（chunkファイル方式は撤退） - Jarvis が **「言うべきか／黙るべきか」を自律判断** - 言うべき時はテキスト＋音声で即介入 - 4モード切替（静か / 観察(デフォルト) / 積極 / 即答） --- ## 🔴 v2 (chunk方式) からの設計変更点 | 項目 | v2（撤退済） | v3（新方式） | |---|---|---| | 録音 | ffmpeg で30秒chunk作成 | **whisper-stream が直接マイクからストリーム取得** | | 文字起こし | chunk完成後にwhisper-cli起動 | **whisper-stream が連続出力** | | ファイル管理 | raw/ split/ processed/ 三層 | **不要**（メモリストリーム＋テキスト追記のみ） | | 反応速度 | 発話→応答 60秒 | **5〜10秒**（whisper-stream `--step 500 --length 5000`） | | 介入 | 呼名検出のみ（受動型） | **自律介入＋呼名検出（能動型）** | | 出力 | dashboard カードのみ | dashboard + **音声出力**（macOS say） | | 自己増殖バグリスク | あり（v2で経験済） | **構造的にゼロ**（中間ファイル不要） | --- ## 🔴 アーキテクチャ ``` ┌────────────────────────────────────────────────────────────┐ │ stream_transcriber.py │ │ whisper-stream を subprocess.Popen 起動 │ │ stdout を 1行ずつ読み取り → live_transcript.txt 末尾追記 │ │ 形式: [HH:MM:SS] テキスト │ └────────────────────────────────────────────────────────────┘ ↓ append-only ┌────────────────────────────────────────────────────────────┐ │ live_transcript.txt（追記専用・常時膨らむテキスト） │ └────────────────────────────────────────────────────────────┘ ↓ tail-f 監視 ┌────────────────────────────────────────────────────────────┐ │ jarvis_active_daemon.py（能動型 daemon） │ │ 1秒ごとにファイル末尾を tail │ │ 直近60秒のテキストをバッファに保持 │ │ │ │ ── 5秒間隔で軽量フィルタ評価 ── │ │ intervention_filter.py: │ │ A. 呼名検出（最優先・絶対通す） │ │ B. 疑問・迷い検出 (?・どうしよう・迷う等) │ │ C. モード切替コマンド検出 │ │ D. 沈黙検出（観察モードで2分超） │ │ E. 誤事実シグナル │ │ │ │ ── ヒット時のみ本格判定 ── │ │ ↓ │ └────────────────────────────────────────────────────────────┘ ↓ subprocess ┌────────────────────────────────────────────────────────────┐ │ claude -p "プロンプト" │ │ 入力: DNA核心 + 直近60秒transcript + 過去Jarvis介入5件 │ │ タスク: intervene yes/no を判断、yes なら介入文生成 │ │ 想定 1fire 約3〜5k tok │ └────────────────────────────────────────────────────────────┘ ↓ intervene=yes ┌────────────────────────────────────────────────────────────┐ │ output_dispatcher.py │ │ ① dashboard カード書込（live_meeting_YYYY-MM-DD.md） │ │ ② 音声出力（mode_state により ON/OFF） │ │ voice_output.py: macOS say -v Kyoko │ │ ③ action_log.jsonl 記録 │ │ ④ mirror_to_dashboard.sh 即実行 │ └────────────────────────────────────────────────────────────┘ ``` --- ## 🔴 モード設計 | モード | 介入頻度 | 軽量フィルタ閾値 | 起動方法 | |---|---|---|---| | 🔇 **静か** | 呼名のみ | A のみ通す | 「ジャービス静かに」「黙って」 | | 👁 **観察**（デフォルト） | 重要時のみ | A+B+C+D 通す | 起動時デフォルト・「観察に戻して」 | | 💬 **積極** | 気付き全部 | A+B+C+D+E 通す | 「ジャービス積極的に」「参加して」 | | ⚡ **即答** | 呼ばれたら即（音声出力ON） | A 即実行・他は無視 | 「ジャービスどう思う？」型（一時的・1応答後 観察に戻る） | モード状態：`v3/mode_state.json`（現状＋切替時刻＋自動降格時刻） --- ## 🔴 コスト対策（最重要） **目標：MARK Ⅶ稼働で Max 20x プラン枠の20%以内** ### 計算根拠 - 軽量フィルタ：**ローカル判定・claude呼ばない・トークン消費0** - 本格判定：claude -p で約3〜5k tok（入力2〜3k＋出力1〜2k） - 観察モードでの介入率想定：5%（5秒×17280回判定/24h × 5% = 約860回 fire/日） - 1日あたり：860 × 4k = **約340万 tok/日** - Max 20x プラン日次相当：約 **2000万tok相当** - 使用率：**約17%** → 目標20%以内クリア見込み ### 安全装置 - 1日上限：観察=200万tok・積極=500万tok・即答制限なし - 1時間上限：観察=20万tok・積極=50万tok - 上限到達で自動「静か」モード降格＋dashboard通知 - 「ジャービスうるさい」発話で即「静か」モード化（対話中の暴走停止） --- ## 🔴 ファイル配置 ``` clone-jarvis/jarvis/live_session/v3/ ├── SPEC_v3.md # この仕様書 ├── stream_transcriber.py # whisper-stream subprocess起動・stdout→txt追記 ├── jarvis_active_daemon.py # tail-f監視＋介入判定ループ ├── intervention_filter.py # 軽量フィルタ（A〜E判定） ├── intervention_judge.py # 本格判定（claude -p ラッパー） ├── mode_controller.py # 4モード状態管理＋切替検出 ├── voice_output.py # macOS say + ElevenLabs フック ├── output_dispatcher.py # dashboard書込・音声出力・log記録 ├── live_run_v3.sh # 統合起動 ├── stop_v3.sh # 停止 ├── README.md # 使い方 ├── live_transcript.txt # ストリーム文字起こし（追記専用） ├── intervention_log.jsonl # 介入履歴 ├── mode_state.json # 現在モード └── tokens.jsonl # トークン消費記録 ``` v2 は legacy として残す（会議丸ごとアーカイブ用に活用可）。 --- ## 🔴 全権委任モードでの実装手順 ユーザー報告は **動作実証完了後の1回のみ**。 ### Step 1: 技術検証（並列4Agent・完了済） - whisper-stream 動作確認 ✅ - SFSpeechRecognizer 調査 - 軽量フィルタ設計＆疑似実装 - 音声出力検証 ### Step 2: 本実装（並列） - stream_transcriber.py - jarvis_active_daemon.py - intervention_filter.py / intervention_judge.py - mode_controller.py - voice_output.py - output_dispatcher.py - live_run_v3.sh ### Step 3: 統合・自己テスト - 各モジュール dry-run - 統合 dry-run - 短時間実走（30秒喋る → 介入が出るか確認） ### Step 4: 自己レビュー - 全モジュールに対して feedback_self_review_before_output.md の5項目チェック - 失敗あれば自分で修正＋再テスト ### Step 5: dashboard 拡張 - mode_badge カード（現在モード表示） - intervention_log カード（介入履歴） - mark_badge.js の Mk Ⅶ要件 done フラグ更新 ### Step 6: 暦会議シミュレーション自己テスト - 「暦と会話してる」想定の独白音声を3分流す - 「ジャービス」呼名・「迷う」など自然発話・モード切替を含める - 介入が想定通り出るか確認 - 失敗あれば修正 ### Step 7: ユーザー報告 - 全テスト通過した段階で初めて報告 - 「動かない」「うまくいってない」が来ない状態にしてから提出 --- ## 🔴 確定事項サマリ | 項目 | 確定値 | |---|---| | 文字起こし | whisper-stream（`--step 500 --length 5000`） | | 監視方式 | tail-f（1秒間隔ポーリング） | | 軽量フィルタ間隔 | 5秒 | | 軽量フィルタ判定 | A〜E（モード別に通す範囲を変える） | | 本格判定 | claude -p（subprocess） | | 1fire 想定tok | 3〜5k tok | | 1日上限 | 観察200万 / 積極500万 / 静か30万 | | 介入率想定 | 観察5% / 積極20% | | 音声出力 Stage 1 | macOS say -v Kyoko | | 音声出力 Stage 2 | ElevenLabs（任意・key設定で有効化） | | 音声出力 Stage 3 | 君の声クローン（MARK Ⅷ以降） | | モード4種 | 🔇静か / 👁観察(default) / 💬積極 / ⚡即答 | | モード切替 | 発話検出 + dashboardボタン | | 自動降格 | 即答→観察 / 積極→観察（3時間）/ 上限到達→静か | | 出力先 | dashboard live_meeting_YYYY-MM-DD.md + macOS say | | 暴走停止語 | 「ジャービスうるさい」「黙って」即静か化 | --- ## 🔴 過去事故からの設計反映 - **自己増殖バグ**（v2 chunk方式の根本原因）：v3 はファイル中間生成しないので構造的にゼロ - **MARK Ⅵ早期昇格**：v3 では「動作疎通」と「実用速度」「コスト要件」を全部通してから昇格 - **stop時の取りこぼし**：v3 はストリームなので途中切断でもバッファ書き込み済み分は失われない - **多重起動チェック誤検知**：v3 の各モジュールは ps 厳格判定方式を継承 --- ## 🔴 関連 - DNA 第11Aサイクル（MARK Ⅶ再定義） - DNA 第11Bサイクル（全権委任モード） - memory/feedback_full_delegation_mode.md - memory/feedback_self_review_before_output.md - memory/feedback_autonomous_decision.md - memory/feedback_self_increment_bug_lesson.md - v2 SPEC.md（撤退済・参照のみ） --- *作成：2026-05-06 メインJarvis* *次のステップ：Step 2 本実装（並列Agent投入）*