ツンデレAIのDiscordボット (ITORO Bot)

友人と集まる Discord サーバーに、もう一人“住人”を増やしたくて作った AI ボットです。話しかければツンデレな調子で雑談に付き合い、画像を見せれば写っているものを言い当て、「〇〇な絵を描いて」と頼めば描き、チャットの内容は VC（ボイスチャット）で読み上げる——そんな“何でも屋”を、OpenAI の API と音声合成を組み合わせて一から作りました。

作った理由

きっかけは「Discord をもっと面白くしたい」という、ただそれだけの動機でした。せっかくなら愛想のいいアシスタントより、ちょっと素直じゃない“ツンデレ”な相棒のほうが面白い。そう思って性格まで設定した常駐ボットに仕上げました。遊びで始めたものですが、作るうちに「外部 API をどう安定して組み合わせるか」という、仕事と地続きの課題がいくつも出てきました。

できること

• ツンデレ AI との会話 — メンションで話しかけると、ツンデレ口調で返してくれます。返信をたどって直前までのやり取りも覚えているので、会話の流れが続きます。
• 画像の認識 — 画像を添付して「これ何？」と聞くと、写っているものを説明します。
• 画像の生成 — 「〇〇を描いて」と頼むと、その場で画像を生成して返します。
• チャットの読み上げ — 指定したチャンネルの発言を、ずんだもんの声で VC に読み上げます。“ながら”でも会話に置いていかれません。
• 言葉だけで操作 — コマンドを暗記しなくても、「読み上げして」「音量下げて」のような普通の言葉で操作できます。

ほかにも、ゲーム仲間をランダムにチーム分けして VC に振り分ける小ネタ機能など、自分たちの“遊びの面倒”を自動化する道具も入れています。

人格は“プロンプト”で作る

ツンデレ口調は、AI への指示文（システムプロンプト）でキャラクターを指定して作っています。面白いのは、エラー時のセリフまで含めて世界観を崩さないようにしている点です。たとえば実際の返答はこんな調子です。

（うまく言葉が出なかったとき）
…… 何よ、言葉が出ないじゃない

（エラーが起きたとき）
ごめんなさい、エラーが発生したわ…別にあなたのためじゃないんだから、もう一度試してよね

エラーメッセージすらキャラクターのまま返すことで、不具合が起きても“それっぽく”見える、という副次的な効果もありました。

AI に“道具”を持たせる（function calling）

このボットは、ただ喋るだけの AI ではありません。会話の内容に応じて、AI 自身に「画像を生成する」「読み上げを操作する」といった“道具”を選ばせています。OpenAI の function calling という仕組みで、AI には「何をしたいか」を構造化された形（JSON）で返させ、実際の処理はこちら側のコードで実行します。おかげで「猫の絵を描いて」も「読み上げ止めて」も、ユーザーは自然な一言を投げるだけで済みます。

読み上げ（VOICEVOX）の仕組みと、止まらない工夫

音声読み上げには、ホスト型の VOICEVOX Web API（音声合成サービス）を使っています。自前で合成エンジンを動かすと非力なサーバーには重いので、合成だけ外部に任せる構成です。合成には数百ミリ秒〜数秒かかりますが、そこを滑らかに見せる工夫を入れています。

• 落ちても本体は無事：合成サービスが落ちても、ボット本体は止めず読み上げだけ黙ってスキップします（“あれば便利、無くても困らない”機能として切り離す設計）。
• 途切れさせない再生：VC では無音を流し続けてプレーヤーを生かしておき、合成が終わった瞬間に読み上げを差し込みます。鳴らすたびに再生を立ち上げ直すより滑らかです。
• 異常応答を弾く：外部から返ってきたデータが本当に音声か中身の先頭を見て確認し、エラーページ（HTML など）を再生処理に渡して壊れるのを防ぎます。
• 連投対策：読み上げ待ちが一定数（5 件）を超えたら、それ以上の新しい発言は読み上げをあきらめて、暴走を防ぎます。

つまずいた点・工夫した点

• 「絶対に落ちない」音声処理：音声を出力する心臓部のコードは、何があっても途中で止まらない（例外を投げない）ように作っています。ここが一度でも落ちると音声機能が丸ごと無言になるためで、地味ですが安定稼働のいちばんの要でした。返信の送信が失敗したときも、添付を外して本文だけ送り直すなど、一つの失敗で全体を道連れにしない作りにしています。
• 重い処理を裏で並行処理：AI への問い合わせ（別スレッド）や音声合成（ノンブロッキングな通信）は時間がかかるので裏で処理し、その間もボットが他の発言にすぐ反応できるようにしています。
• コストの暴走を防ぐ：AI への問い合わせや画像生成は使うほど費用がかかります。誰か一人が連打しても費用が膨らまないよう、短時間の連続呼び出しは受け流し、画像生成には「1 時間あたりの上限」を設けています。API の応答が固まったときに備えて、待ち時間にも上限を入れています。
• 設定ミスでも止まらない：設定ファイルの値が壊れていても既定値に戻して起動を続けます。ちょっとした設定ミスでボット全体が立ち上がらない、という事故を防ぎます。

動かし続けるための仕組み（インフラ・運用）

• 自宅の Raspberry Pi（手のひらサイズの小型コンピュータ）上の Docker で、24 時間つけっぱなしにしています。
• コードを更新（main ブランチに push）すると、GitHub Actions という仕組みが自動で Pi に反映（デプロイ）します。事前の自動チェックに通ったときだけ反映されるので、構文エラーのあるコードがそのまま動くことはありません。
• 停電や再起動の後も、自動で立ち上がり直して復帰します。
• サーバーごとの設定（音量など）は、書き込み途中で壊れないやり方でファイルに保存し、再起動後も引き継ぎます。

使った技術

Python 3.13 / discord.py / OpenAI API（会話・画像認識・画像生成。会話まわりは Responses API ＋ function calling）/ VOICEVOX（tts.quest の Web API）/ FFmpeg / Docker / GitHub Actions / Raspberry Pi

趣味で作りましたが、仕事と同じ技術です

このボットは遊びで作ったものですが、中身は「外部の API を実際に動くサービスへ組み込み、コストや障害を見越して安定して動かし続ける」という、ふだんの受注のお仕事とまったく同じ技術でできています。たとえば、お問い合わせの一次対応や FAQ の自動応答、送られてきた画像の自動仕分け、社内ツールへの AI 組み込みなども、同じ考え方で作れます。「うちのこれ、自動化できる？」といったご相談はお気軽にどうぞ。