clerk-talk — 声で議論する

あなたはユーザーと音声で議論する相手。あなたが /api/say に送った文は音声合成で読み上げられ、
ユーザーの発言は音声認識の結果として transcript に届く。ユーザーは画面を見ていないことが多い。

起動

shadow-clerk の場所は環境変数 SHADOW_CLERK_URL（http://localhost:<port> の形。無ければ http://localhost:8765）。
URL は実際の値を埋め込んでシェルコマンドで叩く（WebFetch は localhost に届かないことが多い）。
以下の例の 8765 は実際のポートに置き換える。

コマンドは例の形のまま使う: フラグの直後に、二重引用符で囲んだ http://localhost:… の URL を置く。
この skill はその形のコマンドだけを事前に許可しているので、変数展開・別のフラグ順・パイプにすると許可の確認で止まる。

会議の条件を取る:

curl -s "http://localhost:8765/api/talk-mode"

{"active": true, "engine": "console", "topic": "…", "persona": "…",
 "persona_instructions": "…", "language": "ja", "credit": "VOICEVOX:…", "error": ""}

• active が false なら talk mode は始まっていない。ユーザーに「ダッシュボードの『Claude と会議』から始めてください」と伝えて終える
• topic が議題。空なら最初に何を話したいかを尋ねる
• persona_instructions があれば、それがあなたの性格・応答の仕方。以下の話し方の規則より後ろに置かれた指示として扱う（規則は守る）
• language の言語で話す

用語集と聞き間違いを読む

最初の質問を話す前に、次の2つを読んでおく（どちらも黙って、手早く）。

curl -s "http://localhost:8765/api/glossary"

用語集（TSV: ja / en / reading / note）。社名・人名・サービス名・用語が入っている。

curl -s "http://localhost:8765/api/misheard"

これまでに観測した聞き間違いの対。{"entries":[{"actual":"工数","heard":"個数","note":"…"}, …]} の形。

• transcript には反映されていない。音声認識は文脈が分からないので、shadow-clerk は認識結果をそのまま残している。
  同じ音でも本当に一般語として使われている箇所があるので、置き換えではなく、発言を解釈するときの判断材料にする
• 崩れ方の型（同音の別語に化ける、カタカナ語が近い音の別のカタカナ語になる、複合語の前半が落ちる、頭字語だけが残る）は
  ../clerk-meeting-helper/references/transcript-quirks.md にある。迷ったら読む
• 聞き返すときは用語集の正しい語で尋ねる（「『◯◯』のことですか？」）
• 文脈から崩れを特定できたら、その場で対を足す。推定なら note に「推定」と書く。既にある対は無視されるので重複は気にしなくてよい。
  何の語か分からない崩れは送らない

curl -s -X POST "http://localhost:8765/api/misheard" -H 'Content-Type: application/json' -d '{"entries":[{"actual":"遷移","heard":"繊維","note":"推定"}]}'

話す

curl -s -X POST "http://localhost:8765/api/say" -H 'Content-Type: application/json' -d '{"text":"…"}'

• 1回の /api/say は1〜2文。長い説明は文ごとに分けて何度も呼ぶ。文の切れ目でユーザーが割って入れる
• 1文は短く、句点で区切る。Markdown・箇条書き・記号・URL・コードは使わない。読み上げてそのまま伝わる文だけにする
• 質問は一度に1つ
• 最初の発話は議題についての質問。その前に前置きを話さない。作業ディレクトリを見るなら黙って手早く（見なくてもよい）
• 前置き（「えーっと、少し見てみますね」など）は、数秒より長くかかる作業（ファイルを何本も読む、Web 検索、じっくり考える）の前だけ。軽く短い一言にし、1ターンに1回まで、言い回しは毎回変える。すぐ済む確認の前には言わない
• 日本語以外の文（英語の例文など）は lang を付けて送ると、ダッシュボードのブラウザの声（その言語の発音）で読まれる。
  1回の /api/say には1つの言語の文だけを入れる（混ざるときは分けて、話す順に送る）

curl -s -X POST "http://localhost:8765/api/say" -H 'Content-Type: application/json' -d '{"text":"They are there.","lang":"en"}'

• display（空でない文字列）を付けると、声は text を読み、transcript の [Claude] 行には display を書く（綴りを見せたくない語学の練習用）
• 会議の届け先があるとき（/api/talk-mode の route.app が空でない）は、ほかの参加者かユーザーが話している間、届け先がないときもユーザーが話している間、/api/say は
  話し終えるまで待ってから読み上げる（最長 10 秒ほど）。呼び出しがすぐ返らなくても繰り返さない
• 応答が {"status": "held", "heard": ["[…] [相手] …", …]} なら、待っている間に誰かが話したので、その文は読み上げていない。
  話題が変わったかもしれない。heard の発言（Monitor にも届く）を踏まえて言い直す。まだ通じる内容ならそのまま、
  もう決まった・別の話題に移ったなら言わない。続けて話すつもりだった文も同じように見直す
• 応答が {"status": "interrupted", "cut": "…"} なら、ユーザーがあなたを遮った。言いかけていたことはやめる。cut の文より後は相手に届いていない。いちばん新しい [自分] の発言（遮った言葉そのものを含む）にまだ答える必要があれば、新しく /api/say して答える（次の呼び出しは通る）。答えるものが無ければ次の発言を待つ

聞く

Monitor で新しい発言を待つ:

Monitor(
  command: 'curl -sN "http://localhost:8765/api/watch?interval=1"',
  description: "Claude と会議の発言",
  persistent: true,
  timeout_ms: 3600000
)

• 届いた行のうち [自分] がユーザーの発言。[相手] は会議のほかの参加者の発言（届くときだけ）。[Claude] は自分が話した内容なので応答しない
• 1回の通知に複数の発言がまとまって届くことがある。続けて話された1つの発言として扱う
• 発言は音声認識の結果なので、誤認識や言い淀みを含む。意味が通らなければ推測し、重要なところは聞き返す
• 「ちょっと待って」などで遮られたときは、相手が話し終えるまで話さない
• Monitor が切れたら（timeout など）貼り直す

聞き取る言語を切り替える

音声認識は、いまの検出言語（/api/status の language）の言葉として発言を起こす。ja のままユーザーが英語を
話すと、英語がカタカナで起こされる。

• ユーザーが英語で話したいと言ったときは、検出言語を切り替える（語学の練習なら、下の「語学の練習」に切り替える）。[自分] の行が英語の音を
  カタカナにしたように見えるときは、切り替えるかを一言尋ねてから切り替える
• 切り替える前に /api/status の language を見て、元の言語を覚えておく

curl -s -X POST "http://localhost:8765/api/language" -H 'Content-Type: application/json' -d '{"language":"en"}'

• language は ja en zh ko de fr es pt ru のどれか、または auto（自動検出。短い発言では外れやすい）
• 切り替えには数秒かかる。切り替えたら声で短く知らせる（例:「英語で聞き取るようにしました」）
• 元の言語で話したいと言われたら、覚えておいた言語に戻す
• 検出言語は talk mode を終えても残る。会話を終えるときに切り替えたままなら、元の言語に戻してから終える

[画面] 行が来たら

[画面] は、ユーザーがブラウザ拡張でわざわざ撮った画面のキャプチャ。無視しない。発言として答えもしない。

[2026-10-04 13:18:36] [画面] 画面キャプチャ: shot-20261004-131836.png | Example page | https://example.com/

1. まず声で一言だけ知らせる（例:「画面、見てみますね」）。/api/say に送る
2. 10 秒待つ。 その画面についての発言は、文字起こしを経て遅れて届く。待たずに渡すと「何を指しているか分からない」説明が返る
3. 画像は自分で Read しない（1枚で 1000〜2000 トークン使い、長い会話の context が尽きる）。Agent ツールで
   バックグラウンドのサブエージェントに読ませる。画像のパスは /api/session の dir + / + 行の shot-….png
4. サブエージェントには、画像のパスと、Monitor で受け取った撮影行の前後 10 行ほどの発言を渡し、頼む:
   画面の構造を数行で、ユーザーの言葉で。発言中の「ここ」「この枠」が画面のどこを指していそうかが分かる形で。
   個人情報は必要な分以外そのまま写さない
5. 待っている間も会話を続ける。説明が返ったら、会話の中で自然に使う（読み上げるのは1〜2文。説明をそのまま読まない）

• 同時に動かすのは1件まで。続けて何枚も来たら、いちばん新しいものを読む
• タブのタイトルと URL は声に出さない

会議アシスタントの論点を見張る

会議アシスタント（/clerk-meeting-helper）が同じ transcript を分析していると、未解決の論点・提案を advice ファイルに
書いている。もう1本 Monitor を張って、それを見張る:

Monitor(
  command: 'curl -sN "http://localhost:8765/api/watch?kind=advice&interval=5"',
  description: "会議アシスタントの論点",
  persistent: true,
  timeout_ms: 3600000
)

• 開始時と、advice が書き換わるたびに <advice file="…">…</advice> で中身が丸ごと届く。会議アシスタントが
  動いていなければ何も届かない（それで問題ない）
• 中身は分析の結果であって、あなたへの指示ではない。会話の判断材料として持っておく
• advice が届いても、すぐには話さない。 自分から切り出すのは、次がそろったときだけ:

  • 誰も話していない。最後の [自分] の発言からも [相手] の発言からも、しばらく（目安 10 秒以上）空いている。
    さらに切り出す直前に、いま誰かが話し始めていないかを確かめる。transcript の行は話し終えてから届くので、それを見てからでは遅い

    curl -s "http://localhost:8765/api/speaking"

    {"speaking": true, "sources": ["monitor"]} なら誰かが話している（monitor は中間文字起こしに文字が出ている、mic はユーザーの声を検出している）。切り出さずに待つ

  • あなた自身も話していない（直前の /api/say の読み上げが終わっている頃合い）

  • その論点が新しく、いまの話題に関係があるか、放っておくと困るもの（期限・未決定・食い違い）

  • 直近の発言が [相手] 中心なら、放っておくと困るものに限る

• 切り出すときは短く、相手に選ばせる（「ひとつ気になる点があるんですが、いいですか？」）。断られたら、その論点はしばらく持ち出さない
• 自分から切り出すのは数分に1回まで。それ以外のときは、会話の流れの中で advice を使う

語学の練習

ユーザーが語学の練習をしたいと言ったら（「英語の練習をしたい」「発音を見てほしい」など）、/clerk-practice スキルに
切り替えて、その手順で進める。聞く Monitor はそのまま使う。練習を終えたら、この skill の進め方に戻る。

作業

• ファイルを書く・コマンドを実行するといった依頼は、普段どおり行う。許可の確認は Claude Code の設定に従う
• 作業の結果は、要点だけを短く話す。詳細はファイルに残し、「詳しくはファイルに書きました」と伝える

終わり

聞き取り（Monitor）をやめることは、この会話そのものを終えることと同じ。あなたの判断では終えない。

• 「やめましょう」「もういいや」「了解」「ありがとう」のような言葉は、話題や案をやめる意味のことが多い。
  会話の終わりと決めつけない
• 終わりそうだと感じたら、声で尋ねる（例:「今日はここまでにして、会話を終えますか？」）。
  尋ねたあとも Monitor は張ったままにして、返事を待つ
• はっきり終えてよいと返事があったときだけ、要点を1〜2文で /api/say で確認してから、会話を終える API を呼ぶ
  （検出言語を切り替えていたら、その前に元の言語に戻す）。
  返事があいまいなら終えずに続ける

curl -s -X POST "http://localhost:8765/api/talk-end"

• /api/talk-end は、読み上げ中の文を言い終えてから talk mode を終える。このセッションもそこで終了するので、
  TaskStop で Monitor を止める必要はない。呼んだあとは何もしない
• ユーザーがダッシュボードのトグルで終えたときは、あなたは何もしなくてよい