人間が喋り始めたら読み上げを一時停止する

[cm-ayf]

ってアリ？

[phenylshima]

あってもよさそうですが，きりの良いところまでは言い切ってほしいです．

[phenylshima]

「話し中」フラグ

• 人ごとの「話し中」フラグと，全体の「話し中」フラグがある．全体の「話し中」フラグは，人ごとの「話し中」フラグのorである．
• ある人が喋り始めて200ms経過するとその人の「話し中」フラグが立つ
• ある人が喋らなくなって500ms経過するとその人の「話し中」フラグを解除する

ボットが喋る条件

• 全体の「話し中」フラグがtrueなら，話し始めない．
  • 合成は行う．この際，音声データは読点（というかBreathGroup）で区切っておく（jbonsaiなら可能だがAPIは要検討）．
• 全体の「話し中」フラグがfalseかつ，再生キューに音声があれば次のBreathGroupまで読む．
  • 読んでいる間に「話し中」フラグがtrueになっても無視する．

[cm-ayf]

「次のBreathGroupまで」とかいうのは難しそうだな　player.on('BreathGroup')？

[phenylshima]

フルコンテキストラベルと音声との対応はjbonsaiにしかないので，jbonsaiに何かしら実装するしかないと思います．

jbonsaiの側でBreathGroupで分割してしまい，結合することなく音声をjs側に流せば，BreathGroupで分割されたPCM音声の配列（Vec<Vec<i16>>?）が手に入りますから，既存の枠組みでうまいことできるのではないかということです．
ただ，jbonsaiのAPIとして正しいのかという問題はあります．

[phenylshima]

SStreamとPStream/GStreamを分割し，voicevoxに似たAPIにするのは一つの方策としてあるかもしれません．
（voicevox_engine互換になったらそれはそれで面白いかも？）