はじめに
Amazon Echo Show を使っていてずっと感じていたのが，標準の検索機能の精度の悪さだった． 特に以下のようなケースで不満が多かった：
- 「これって英語でなんて言うの？」と聞いても大体「よくわかりませんでした」
- 「この言葉，漢字でどう書くの？」と尋ねても「すみません，うまく聞き取れませんでした」
- たまに成功しても，謎のまとめサイトの情報を朗読されるだけで終わる
なら実利も兼ねて自分で作ってみるか，となった．
システム構成
技術スタック
- AWS Lambda（Node.js 20）
- Alexa Developer Console（スキル定義）
- OpenAI API（
gpt-3.5-turbo使用） - Terraform（インフラ構築）
- lambroll（Lambda のデプロイ）
- Cursor（コード生成支援）
いずれも比較的ライトな構成で，自宅用スキルとして十分なスケール． Terraform は(仕事で何年も使ってるのに)まともに書けないので，ほとんど Cursor にお任せした．
Alexa スキルと Lambda の接続
Alexa Developer Console 側で Alexa Hosted Skill を使わず，Lambda の ARN を指定するだけで連携できるので，想像以上に簡単だった．Skill としては Custom Type + 日本語言語モデルを使用．
実装上の注意点
スキルの起動名は地獄
Alexa では，スキル起動時の呼びかけ（LaunchRequest）の処理がとにかく鬼門だった．
例えばスキル名を「はるか」にした場合：
- ユーザーが「アレクサ，はるかを開いて」と言うと，Alexa 側で
- 「遥か」
- 「春香」
- 「遥」 などに変換された上でスキル名と照合される
この際，「はるか」≠「遥か」となり，スキルが起動しないという問題が多発した． 自宅用スキルなので，Publishing 時にあるような追加の Slot 補正も使えず，スキル名そのものを工夫するしかない．
解決策：カタカナ語は強い
最終的にはスキル名を「モンブラン」にした．これはカタカナ語なので，音声からの文字変換でも非常に高精度でヒットする．
結果，「アレクサ，モンブランを開いて」でほぼ確実にスキルが起動するようになった．
OpenAI API の利用
モデル選定と精度
今回はコスト重視で gpt-3.5-turbo を使用した：
- 単語・短文の翻訳用途では十分
- API 価格も非常に安い（1k tokens あたり $0.0015）
しかし以下のような限界もある：
「アナハイム・エレクトロニクス」って英語でなんて言うの？
→ 実在の会社として解釈され，現実のエレクトロニクス企業を返す始末．
こういった 固有名詞 + 架空要素 に強くなるには，やはり gpt-4o のような高精度モデルの使用も検討すべきかもしれない．
お金があればね
実際のプロンプト例
スキル内部では，以下のような形で OpenAI API に問い合わせを行っている：
const completion = await openai.chat.completions.create({
model: "gpt-3.5-turbo",
messages: [
{
role: "system",
content:
"あなたは日英翻訳の専門家です。日本語の語句を英語に自然な形で翻訳してください。短く簡潔に、1行の翻訳だけを返してください。",
},
{
role: "user",
content: `「${phrase}」は英語で？`,
},
],
max_tokens: 60,
temperature: 0.2,
});意識したのは以下の点：
- 1 行の翻訳のみを返させる（Alexa の読み上げとして冗長にしない）
- temperature を下げてブレを抑える
おわりに
プロトタイプ(AWS console 上で直 js 書いてデプロイ)まで手でやって，ワンパス通ったらあとは全部それを入力に Cursor に全投げした．
ので，かなりあっさりそこそこ動く感じになった．非常に楽でよいですね．
せっかく作ったので，Alexa を日常的に使っているうちの子たちにも使っていただきたい．