■ **概要** GPT-Live-1（全二重音声）と Jev（表現制御）の分離型マルチモーダル対話システム。ブラウザ内処理とサーバーレス活用で、低レイテンシー（p50 118ms）かつ安価（$0.0026/決定）な実時間キャラクター制御を実現。 ■ **特徴・用途** - **モデル分離設計**：音声（会話内容）と動き（表現）の推論を独立させ、競合回避と最適化が容易。Kokoro-82Mなど軽量モデルへの置き換えも検討可能 - **エッジ処理の徹底**：リップシンク・3D描画・トランスコード処理がすべてブラウザ実行。サーバーはメッセージング仲介のみ、スケーラビリティが高い - **API組み込みの現実的コスト構造**：GPT-Live + Jev の実系は月間数百万呼び出しでも、推論遅延≤120msの運用品質を維持可能（ただしOpenAI・TypeSafe依存） ■ **結論** 分散マルチモーダルAIの参考実装として秀逸だが、導入には外部API（特にGPT-Live枠）の取得がボトルネック。オンプレローカルモデル環境では、Jev相当の動き生成パイプラインを自実装する必要がある。