ナイア
目次
  1. 1動画マニュアル
  2. 2Naia OS Live USB
  3. 3インストールと展開
  4. 3.1Naia OS インストール (ISO)
  5. 3.2アプリインストール
  6. 4はじめに
  7. 4.1Naia Model Pricing
  8. 4.2naia-omni-cascade
  9. 4.3demo
  10. 4.4naia-offline
  11. 4.5naia-model-dev
  12. 4.6naia-online
  13. 5メイン画面
  14. 6チャット
  15. 7会話履歴
  16. 8作業の進捗状況
  17. 9スキル
  18. 10チャンネル
  19. 11エージェント
  20. 12診断
  21. 13ワークスペース
  22. 14ブラウザ
  23. 15パネル管理
  24. 16音声会話
  25. 17設定
  26. 18ツールの詳細
  27. 19Naia アカウント
  28. 20トラブルシューティング
  29. 21オープンソースの活用と貢献
← 目次に戻る

4.5. naia-model-dev

コードから Naia モデルを利用するための開発者ガイド。 4.4 Naia モデルダウンロードに従ってモデルを実行した後、ローカルで提供される OpenAI 互換 API （ゲートウェイなし、キューなし）をそのまま利用します。あらゆる OpenAI SDK やツールで、baseURL を向けるだけです。

naia-os / シェル専用ではありません — OpenAI Realtime/Chat/Audio/Embeddings を話すあらゆるコードがそのまま接続でき、 このモデルの上に新しいアプリケーションを構築して実行できます。

1. 接続・認証

  • REST ベース: http://<host>:8892/v1（同じ PC では 127.0.0.1）
  • Realtime（WS）: ws://<host>:8892/v1/realtime（裸の ws://<host>:8892 も動作 — パス /v1/realtime + デフォルトモデルが自動適用）
  • 接続: ローカル（127.0.0.1）/ Tailscale では認証は不要です — コンテナがライセンスを自己検証します。キーフィールドを必要とするクライアント（OpenAI SDK など）は任意の値（naia）を渡せます。リモートに公開する場合は、前段に §4.4 の Tailscale/VPN を置いてください。

🔑 キーは 1 つ — 購読キー

  • 購読キー — ポータルから取得する購読キー。コンテナの実行時（有効化）にのみ使用します（-e NAIA_ACCOUNT_TOKEN=<subscription-key>）。購読を確認し、期限付きライセンス（証明書）を取得します。
  • 別途の接続キーはありません。 一度有効化されると、コンテナは証明書でローカルに自己検証するため、クライアント（naia-os、OpenAI SDK）は URL で接続するだけで済みます — 同じ PC では 127.0.0.1、別の端末からは Tailscale/VPN（§4.4）。接続ごとにゲートウェイを呼び出すことはありません。
  • 以下の例の api_key はプレースホルダーです（OpenAI SDK がフィールドを要求するため）— オフラインコンテナはこれをチェックしないので、"naia" のような任意の値で動作します。

2. エンドポイント（OpenAI 互換）

エンドポイント用途バックエンド
GET /health準備状態 {"ready":true,"services":{tts,stt,llm},"vad":true}（認証なし）—
GET /v1/modelsモデル一覧—
WS /v1/realtimeリアルタイム音声セッション（VAD、バージイン、感情）cascade
POST /v1/chat/completionsチャット（ストリーミング）gemma4-e4b
POST /v1/audio/speechテキスト読み上げ（TTS）VoxCPM2
POST /v1/audio/transcriptions音声認識（STT）Whisper
POST /v1/embeddings埋め込みbge-m3

Chat（curl）:

curl -s http://127.0.0.1:8892/v1/chat/completions \
  -H "Authorization: Bearer naia" -H "Content-Type: application/json" \
  -d '{"model":"naia-0.9-omni-24g","messages":[{"role":"user","content":"hi"}],"stream":false}'

OpenAI SDK（Python）— baseURL を差し替えるだけ:

from openai import OpenAI
client = OpenAI(base_url="http://127.0.0.1:8892/v1", api_key="naia")
print(client.chat.completions.create(
    model="naia-0.9-omni-24g",
    messages=[{"role": "user", "content": "hi"}],
).choices[0].message.content)

文字起こし（STT）:

curl -s http://127.0.0.1:8892/v1/audio/transcriptions \
  -H "Authorization: Bearer naia" \
  -F file=@sample.wav -F model=naia-0.9-omni-24g

3. リアルタイム音声 — 接続フロー（WS）

4.3 ライブデモと同じフローです。（オフラインはゲートウェイのキュー / 割り当てがなく、すぐに開始します。）

  1. 接続 — ws://<host>:8892 を開きます。

  2. 最初のフレーム（認証・言語） — ブラウザの WebSocket はヘッダーを送れないため、最初のメッセージとして送信します:

    { "setup": { "apiKey": "naia", "locale": "en" } }

  3. サーバーが session.created を送ってきたら、session.update でセッションを設定します:

    {
  "type": "session.update",
  "session": {
    "modalities": ["text", "audio"],
    "input_audio_format": "pcm16",
    "output_audio_format": "pcm16",
    "instructions": "<persona instructions>",
    "turn_detection": { "type": "server_vad" },
    "input_audio_transcription": { "language": "en" },
    "ref_audio_url": "<URL of a voice sample to mimic (optional)>"
  }
}

  4. やり取り

    クライアント → サーバー
    音声入力{"type":"input_audio_buffer.append","audio":"<base64 PCM16 24kHz>"}（サーバー VAD が発話の終わりを検出）
    テキスト入力conversation.item.create の後に response.create
    バージインresponse.cancel
    サーバー → クライアント
    response.audio.deltabase64 PCM16 24kHz の音声チャンク
    response.audio_transcript.delta / response.text.delta回答テキスト（ストリーミング）
    conversation.item.input_audio_transcription.completedあなたの発話の文字起こし
    emotion.updated感情 / プロソディタグ（§5）
    response.done1 ターンの終了

4. 言語 — 30 言語（デフォルト = 自動 / グローバル）

モデルは 30 言語に対応します（アラビア語、ビルマ語、中国語、デンマーク語、オランダ語、英語、フィンランド語、フランス語、 ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、インドネシア語、イタリア語、日本語、クメール語、韓国語、ラオ語、マレー語、ノルウェー語、 ポーランド語、ポルトガル語、ロシア語、スペイン語、スワヒリ語、スウェーデン語、タガログ語、タイ語、トルコ語、ベトナム語）。

  • デフォルト（未設定）= グローバル / 自動 — あなたが話した言語を検出し、その言語で返答します（ターンごと）。
  • 特定の言語に固定するには、setup.locale または session.update の input_audio_transcription.language に ISO-639-1 コード（例: ko/en/ja）を指定します。

5. 出力フォーマット（感情・プロソディタグ）

音声会話向けに出力フォーマットが調整されています — クライアントがこれを理解していれば、より豊かに表現できます。

  • プロソディタグ: 回答テキストには、感情が変化する箇所に [laughing]、[sigh]、 [breath]、[pause]、[hesitation] のような小文字の英語ブラケットタグが混在します（音声プロソディのため）。モデルは [웃음] のような韓国語タグ、(smiling) のような括弧付きのト書き、*smiles* のようなアスタリスクを使わないよう 指示されています。既知の語彙: laughing/laugh/laughter/chuckle/giggle · sigh/exhale · breath/inhale · pause · hesitation · gasp/cough/sneeze/yawn/sniff/hum · cry/sob/moan/whisper/shout/cheer（その他のタグはそのまま通過します）。
  • 各タグについて、サーバーは 1:1 の emotion.updated イベントを送ります（state == タグ名、小文字）: 
    { "type": "emotion.updated", "state": "laughing", "tag": "[laughing]", "known": true }
  • TTS パスはタグを保持し、音声プロソディのために合成に渡しますが、chat の text.delta はタグを取り除いたクリーンなテキストを送ります。（出力には絵文字、マークダウン、括弧付きの自己ナレーションはありません。）
  • クライアントのマッピング（naia-os リファレンス）: emotion.updated.state（プロソディタグ）をアバターの表情にマッピングします — laughing/chuckle/giggle/cheer → happy、sigh/exhale/cry/sob → sad、gasp → surprised、 shout → angry、hesitation → think。breath・pause のような感情を伴わないプロソディは表情を変えません （直前のものを維持 — 呼吸のたびにニュートラルに点滅しないように）。
  • 堅牢な処理を推奨: LLM の出力は常に正確とは限りません。emotion.updated を優先しつつ、それが 欠けている場合は、文字起こしそのものの中のタグ（大文字の [HAPPY] / 小文字のプロソディタグ）や 漏れたト書き（(smiles)・*sigh*）を自動検出して表情に反映します。手がかりがなければ、 現在の表情を維持します（cf. naia-os shell/src/lib/vrm/expression.ts の extractExpression）。

6. 関連情報

  • リファレンス実装 / サンプルコード（オープンソース）: naia-os の音声クライアント shell/src/lib/voice/（Apache 2.0）— この API と通信する実際のクライアント（naia-omni.ts）と、感情 / プロソディの処理 （emotion-tags.ts; 表情マッピングと堅牢な抽出は vrm/expression.ts）が含まれています。 新しいモデルのテストや Tauri アプリ構築の出発点として利用してください。4.3 ライブデモでライブにお試しいただけます。
  • ラインアップと価格: 4.1 モデル価格
  • クラウド（予定）: 4.6 オンライン
Next Section4.6. naia-online