初回セットアップ

Markdown で見る

最初に開くと、9 つの画面を順に進みます。話し方に要らない画面は飛ばします。各画面の下に、次にやることが 1 行で出ます。

言語を選ぶ

11 の言語から 1 つ選びます。最初に選ばれているのはシステムの言語です。選んだものが、画面の言語、会話の言語、地域の 3 つの初期値になり、ここから先の画面はその言語で出ます。3 つは、あとから設定で別々に変えられます。設定の「キャラクター」にある ASIST の人柄の文章も、会話の言語のものになります。日本語なら日本語、ほかの言語なら英語の文章です。書き換えていなければ、あとで会話の言語を変えたときも、それに合わせて変わります。
使う前に知っておくことを読む

答えが間違うことがあること、変更は承認してから行うこと、API の料金は提供元から請求されること、会話は選んだ提供元に送られることの 4 つが出ます。読んだら「4つの点を読んで理解しました」にチェックを入れて進みます。詳しくは安全に使うためににあります。この画面ができる前にセットアップを終えていた人には、次に開いたときに同じ内容が一度だけ出ます。
会話のモデルの API キーを入れる

提供元を選んで API キーを入れ、「検証して保存」を押します。キーは実際に問い合わせて確かめ、使えると分かったときだけ保存します。会話には、その提供元の標準のモデルを使い、つなぎの一言には、軽くて速いモデルを使います。どちらも、あとから設定で変えられます。

「ChatGPT」を選ぶと、API キーの欄の代わりに「ChatGPT で続ける」が出ます。ブラウザで ChatGPT にログインすると、Plus か Pro のプランで会話できます。くわしくは ChatGPT のプランで使うにあります。
話し方を選ぶ

「声で話す」「音声モデルとリアルタイムで話す」「文字で打ち、返事は声で聞く」「文字だけで使う」から選びます。

「音声モデルとリアルタイムで話す」では、Gemini Live が聞き取りと読み上げを受け持つので、聞き取りと読み上げの画面は飛ばします。Gemini Live には Google の API キーが要ります。前の画面で Google のキーを検証していれば、もう一度入れる必要はありません。前に保存したキーや環境変数のキーがあれば、これを選んだときにそのキーを検証するので、入れ直す必要はありません。キーがなければ、この画面でキーを入れて「検証して保存」を押します。声は Google の標準のもので、あとから設定で変えられます。料金は声のエンジンにあります。
聞き取りのモデルを準備する(「声で話す」のとき)

Mac ではメモリが 16GB 以上なら Qwen3-ASR 1.7B を、それより少なければ Qwen3-ASR 0.6B を勧めます。Windows では、単体の GPU のメモリが 6GB 以上なら 1.7B を、それより少なければ 0.6B を勧めます。「モデルを準備する」を押すと、モデル(1.7B は約 2.2GB、0.6B は約 0.8GB)を取得して、このコンピュータの GPU で動かします。「詳細」では、ほかのモデルも選べます。一覧には、会話の言語を聞き取れるモデルだけが出ます(声のエンジン)。ブラウザの中で動く Whisper も選べます。単体の GPU が無い Windows では、理由が出てモデルを選べないので、ブラウザの中で動く Whisper を選びます。

Windows では、新しいバージョンの ASIST を初めて起動したときと、GPU のドライバーを更新したあとの最初の起動で、ドライバーが GPU で動かすためのプログラムを作ります。そのときだけ、準備にいつもより時間がかかります。
読み上げを選ぶ(「声で話す」か「文字で打ち、返事は声で聞く」のとき)

会話の言語を話せるものだけが出ます。日本語なら、Mac では Irodori-TTS、Qwen3-TTS、「macOS の音声合成」、VOICEVOX、AivisSpeech、Windows では Irodori-TTS、Qwen3-TTS、「Windows の音声合成」、VOICEVOX、AivisSpeech です。Irodori-TTS と Qwen3-TTS は、メモリが 16GB 以上の Mac と、単体の GPU のメモリが 8GB 以上の Windows で出ます。最初に選ばれているのは、日本語なら Irodori-TTS、ほかの言語なら Qwen3-TTS で、Qwen3-TTS が話せないヒンディー語とインドネシア語では OS の音声合成です。この 2 つが出ないコンピュータでは、日本語なら VOICEVOX、ほかの言語なら OS の音声合成が選ばれています。

Irodori-TTS は日本語だけを読みます。モデル(約 1.9GB)を取得して、このコンピュータの GPU で動かします。声は 3 つあり、あとから設定の「声」の「読み上げ」にある「声」で変えられます。声ごとのカードの ▶ で同梱の見本を聞けるので、モデルを取得する前でも聞き比べられます。Qwen3-TTS の 9 つの声も同じところで選べて、見本は会話の言語で読んだものです。Qwen3-TTS は 0.6B のモデル(約 1.2GB)を取得します。メモリが 24GB 以上の Mac と、GPU のメモリが 10GB 以上の Windows では、あとから設定の「声」の「読み上げ」にある「モデル」で 1.7B(約 2.3GB)に変えられます。変えたときは、その下に出る「準備する」で新しいモデルを準備します。OS の音声合成を選んだときは、その言語の声が入っているかを調べ、無ければシステム設定か Windows の設定のどこで足すかを案内します。
マイクを許可する(「声で話す」か「音声モデルとリアルタイムで話す」のとき)

「マイクを検証する」を押すと、実際に音を受け取れるかを確かめます。Mac では、その前に macOS が許可を求めるので「許可」を押します。Windows は許可を求めません。

許可しなかったときは、この画面からシステム設定か Windows の設定を開くか、文字で打つ使い方に切り替えられます。あとから許可するには、マイクの許可を見てください。
ほかの準備を待つ

記憶の意味検索のモデルを準備します。日本語で「声で話す」を選んだときは、相槌の種類を判定するモデルと、話し終わりを判定する MaAI も準備します。MaAI は処理が重いので、準備だけしてオフにしておきます。使うときは、設定の「声」の「ターンテイキング(MaAI)」をオンにします。準備できなかったものは、やり直すか、あとに回せます。あとに回したものは、設定の「概要」に出るので、そこで準備します。
確かめて始める

選んだ内容を見て、「この内容で始める」を押します。

始まったら、MIC OFF を押して話しかけるか、入力欄に文字を打って送ります。話しかけ方は使い方にあります。

Agent のジョブを使うなら、続けて Agent の準備に進みます。