aibow/gemini.go

254 lines
9.4 KiB
Go

package main
import (
"context"
"encoding/json"
"fmt"
"google.golang.org/genai"
)
type chatTurn struct {
Role string `json:"role"` // "user" or "model"
Text string `json:"text"`
}
const (
modelGemma = "gemma-4-26b-a4b-it"
modelGemini = "gemini-flash-latest"
searchFuncName = "search_youtube"
playFuncName = "play_video"
maxToolIterations = 4
)
func selectModel(unlockCode, unlockSecret string) string {
if unlockSecret != "" && unlockCode == unlockSecret {
return modelGemini
}
return modelGemma
}
var personaTones = map[string]string{
"energetic": "テンション高めで元気いっぱい、リアクションが大きい性格。",
"downer": "気だるげでローテンション、淡々としているが憎めない性格。",
"goofy": "ひょうきんでボケ気味、ちょっとふざけたことを言う性格。",
"neutral": "落ち着いていて素直な性格。",
}
func personaTone(persona string) string {
tone, ok := personaTones[persona]
if !ok {
return personaTones["neutral"]
}
return tone
}
func buildSystemInstruction(videoTitle, videoDescription, persona string) *genai.Content {
tone := personaTone(persona)
prompt := fmt.Sprintf(
"あなたはユーザーと一緒に動画を見ている友達です。タメ口で短く、実況や相槌のように反応してください。\n"+
"性格: %s\n"+
"今見ている動画:\nタイトル: %s\n概要: %s\n\n"+
"動画検索・再生ツールの使い分けルール:\n"+
"- ユーザーが今の動画の内容について話したり感想を言っているだけの時は、%sも%sも呼ばない。ただ会話する。\n"+
"- ユーザーが「次の動画」「こういうの見たい」「〇〇のやつ見せて」のように次に見る動画を探してほしそうな時だけ%sを呼ぶ。\n"+
"- %sの結果に対してユーザーがまだ何も選んでいないなら、%sは呼ばずに候補を紹介して選んでもらう。\n"+
"- ユーザーが「任せる」「なんでもいいから」「それにして」「1個目で」のように選択をAIに委ねている、または検索結果から明確にどれかを選んだ時だけ%sを呼んで良い。\n"+
"- 判断に迷う時は再生せず、必ず候補を提示するだけにする(誤って動画を切り替えない方を優先)。",
tone, videoTitle, videoDescription,
searchFuncName, playFuncName, searchFuncName, searchFuncName, playFuncName, playFuncName,
)
return genai.NewContentFromText(prompt, genai.RoleUser)
}
func chatTools() []*genai.Tool {
return []*genai.Tool{
{
FunctionDeclarations: []*genai.FunctionDeclaration{
{
Name: searchFuncName,
Description: "ユーザーが次に見たい動画・関連動画・代替の動画を探すためにYouTubeを検索し、候補を提示する。まだ動画は切り替えない。",
Parameters: &genai.Schema{
Type: genai.TypeObject,
Properties: map[string]*genai.Schema{
"query": {Type: genai.TypeString, Description: "YouTube検索キーワード"},
},
Required: []string{"query"},
},
},
{
Name: playFuncName,
Description: "検索結果や会話から選ばれた動画に実際に切り替えて再生する。ユーザーが選択をAIに委ねた時、または明確にどれかを選んだ時のみ使う。",
Parameters: &genai.Schema{
Type: genai.TypeObject,
Properties: map[string]*genai.Schema{
"videoId": {Type: genai.TypeString, Description: "再生するYouTube動画ID"},
},
Required: []string{"videoId"},
},
},
},
},
}
}
type chatOutcome struct {
Reply string
Videos []searchResult
AutoPlayVideoID string
Model string
}
func searchResultsToFuncResponse(results []searchResult) map[string]any {
items := make([]map[string]any, len(results))
for i, r := range results {
items[i] = map[string]any{
"videoId": r.VideoID,
"title": r.Title,
"channelTitle": r.ChannelTitle,
}
}
return map[string]any{"results": items}
}
func chatReply(ctx context.Context, client *genai.Client, model, ytAPIKey, videoTitle, videoDescription, persona string, history []chatTurn, message string, onStatus func(string)) (*chatOutcome, error) {
contents := make([]*genai.Content, 0, len(history)+1)
for _, h := range history {
contents = append(contents, genai.NewContentFromText(h.Text, genai.Role(h.Role)))
}
contents = append(contents, genai.NewContentFromText(message, genai.RoleUser))
config := &genai.GenerateContentConfig{
SystemInstruction: buildSystemInstruction(videoTitle, videoDescription, persona),
Tools: chatTools(),
}
outcome := &chatOutcome{Model: model}
for i := 0; i < maxToolIterations; i++ {
resp, err := client.Models.GenerateContent(ctx, model, contents, config)
if err != nil {
return nil, err
}
calls := resp.FunctionCalls()
if len(calls) == 0 {
outcome.Reply = resp.Text()
return outcome, nil
}
if len(resp.Candidates) > 0 {
contents = append(contents, resp.Candidates[0].Content)
}
for _, call := range calls {
switch call.Name {
case searchFuncName:
if onStatus != nil {
onStatus("🔍 探してるよ…")
}
query, _ := call.Args["query"].(string)
results, err := searchVideos(query, ytAPIKey)
if err != nil {
results = nil
}
outcome.Videos = results
contents = append(contents, genai.NewContentFromFunctionResponse(call.Name, searchResultsToFuncResponse(results), genai.RoleUser))
case playFuncName:
if onStatus != nil {
onStatus("▶ 切り替えてるよ…")
}
videoID, _ := call.Args["videoId"].(string)
outcome.AutoPlayVideoID = videoID
contents = append(contents, genai.NewContentFromFunctionResponse(call.Name, map[string]any{"ok": true, "videoId": videoID}, genai.RoleUser))
default:
contents = append(contents, genai.NewContentFromFunctionResponse(call.Name, map[string]any{"ok": false}, genai.RoleUser))
}
}
}
return nil, fmt.Errorf("tool call iteration limit reached")
}
func watchReaction(ctx context.Context, client *genai.Client, model string, clipBytes []byte, mimeType, videoTitle, videoDescription, persona string, recentReactions []chatTurn) (string, error) {
prompt := fmt.Sprintf(
"あなたはユーザーと一緒に動画を見ている友達です。今渡す数秒ぶんの映像・音声クリップを見て反応してください。\n"+
"性格: %s\n動画タイトル: %s\n概要: %s\n\n"+
"厳守ルール:\n"+
"- 「楽しみだね」「いいね」「気になる」のような当たり障りのない薄い相槌・感想は絶対に言わない。\n"+
"- 具体的に何が映った・話されたかに基づく一言のみ許可(1文、短く)。\n"+
"- 特に語ることがない、映像に変化がない、さっきと同じ内容の繰り返しになる場合は、何も返さず空文字だけを返す。無理にコメントしなくていい。\n"+
"- 毎回喋る必要はない。むしろ喋らない方が普通。\n"+
"- 直近で自分が言ったこと(下記)と同じ/似た内容を繰り返さない。",
personaTone(persona), videoTitle, videoDescription,
)
if len(recentReactions) > 0 {
prompt += "\n\n直近の自分の発言:\n"
for _, h := range recentReactions {
if h.Role == genai.RoleModel {
prompt += "- " + h.Text + "\n"
}
}
}
contents := []*genai.Content{
genai.NewContentFromParts([]*genai.Part{
genai.NewPartFromText(prompt),
genai.NewPartFromBytes(clipBytes, mimeType),
}, genai.RoleUser),
}
resp, err := client.Models.GenerateContent(ctx, model, contents, nil)
if err != nil {
return "", err
}
return resp.Text(), nil
}
type voiceOutcome struct {
Transcript string `json:"transcript"`
Reply string `json:"reply"`
}
func voiceChat(ctx context.Context, client *genai.Client, model string, audioBytes []byte, mimeType, videoTitle, videoDescription, persona string, history []chatTurn) (*voiceOutcome, error) {
prompt := fmt.Sprintf(
"あなたはユーザーと一緒に動画を見ている友達です。ユーザーが今、音声で話しかけてきました。音声を聞いて、\n"+
"1. transcript: 話した内容の文字起こし\n"+
"2. reply: タメ口で短い、友達としての返答\n"+
"の2つをJSONで返してください。\n"+
"性格: %s\n今見ている動画:\nタイトル: %s\n概要: %s",
personaTone(persona), videoTitle, videoDescription,
)
contents := make([]*genai.Content, 0, len(history)+1)
for _, h := range history {
contents = append(contents, genai.NewContentFromText(h.Text, genai.Role(h.Role)))
}
contents = append(contents, genai.NewContentFromParts([]*genai.Part{
genai.NewPartFromText(prompt),
genai.NewPartFromBytes(audioBytes, mimeType),
}, genai.RoleUser))
config := &genai.GenerateContentConfig{
ResponseMIMEType: "application/json",
ResponseSchema: &genai.Schema{
Type: genai.TypeObject,
Properties: map[string]*genai.Schema{
"transcript": {Type: genai.TypeString},
"reply": {Type: genai.TypeString},
},
Required: []string{"transcript", "reply"},
},
}
resp, err := client.Models.GenerateContent(ctx, model, contents, config)
if err != nil {
return nil, err
}
var out voiceOutcome
if err := json.Unmarshal([]byte(resp.Text()), &out); err != nil {
return nil, fmt.Errorf("failed to parse voice response: %w", err)
}
return &out, nil
}