I Built an AI Japanese Tutor with Gemini Live in 6 Steps

用 Gemini 实时语音 API 加 Nano Banana 画图，作者花 3 小时做出能跟 AI 教练 Yuki 打电话练日语的 App，其中 2 小时全耗在改 bug 和改课程内容上。

一个能实时对话的日语陪练 App，听起来像要一个团队做几个月，作者却只用 3 小时就上线了。他反复强调：真正拉开差距的不是写代码，而是那 2 小时里对课程内容和交互细节的死磕。下面拆开这 6 步，看每一步具体在干什么。

作者第一步不是写代码，而是让 AI 先做研究、再反问自己三个问题，把"用户问题"和"解决方案"先钉死。

• 提示词里写死了约束：去日本旅行、要 100 句真实用得上的短语、拆成 10 课每课 10 句、手机网页优先，还要求参考他之前做的 Tastemaker 的视觉风格。
• 明确要求 AI 先别动手：让它先调研 Gemini 有哪些可用模型（发现谷歌新出了实时语音模型），然后反问三个问题——实时通话该是什么体验、每句短语怎么排版、谁会用它。
• 作者的回答决定了产品形态：先教 10 句、再角色扮演来回练；每句同时显示日文、罗马音和英文；因为 API 要花钱，不打算商业化，先给自己和几个朋友用。

作者用自制的 spec skill 生成一份带手机和桌面两套界面图的规格文档，而不是一堆干巴巴的需求文字。

• 规格文档里直接画了关键页面：进度路径页、带对话气泡和通话按钮的课程页，还列了要调用的 API 和技术栈，看一眼就懂 App 长什么样。
• 用开源的 human review 工具像改 Google Doc 一样改规格：可以直接在页面上改文案、圈出某个框写"这课改成讲食物"，再把反馈丢回给 AI 执行。
• 没有设计师也能干活：作者说自从让 spec skill 顺带生成两三张界面图，他就能对着图直接给反馈，比读需求文档快得多。

第一版一次成型，但作者说 3 小时里有 2 小时都耗在这一步，这才是"能用的 App"和"垃圾 App"的分界线。

• 麦克风 bug 是 Claude Code 自己测出来的：App 默认收 MacBook 内置麦克风，作者用的是外接麦，AI 自己进 App 里听声音、定位问题并修好。
• 对话气泡和图片一起改：原来气泡一次性全冒出来，改成学一句显示一句，响应速度太慢也一并修掉；图片从"垃圾图"换成 Nano Banana 生成的微缩景观风，确认一张后让 AI 给 10 课全做一套，给 Yuki 生成头像时 AI 先画了个饭团，被要求改成女孩，因为 Yuki 是女声。
• 课程顺序被重排：原本最后一课是"生病、药店、紧急情况"，作者觉得不该以负面内容收尾，要求打乱；还确认了一件事——不学认日文也能开口说日语，所以先不教读写。

"区分一个随手糊出来的 App 和一个真正有品质的 App 的，就是你愿意花多少心思去打磨课程和 App 本身。"

• 把 API key 粘进本地 .env 文件，不要直接贴在 AI 聊天框里——作者演示完立刻删掉了视频里露出的那个 key，这个习惯值得抄。
• 让 AI 先调研再反问你三个问题，比直接说"帮我做个 App"能省掉后面大量返工；这一步花 10 分钟，可能省下 1 小时。