Teachable Machineの使い方完全ガイド｜画像・音声・ポーズでAIモデル作成

AIに興味はあるものの、「難しそう」「プログラミングが必要なのではないか」と感じて、最初の一歩を踏み出せていない方は少なくありません。
そのような中で注目されているのが、Teachable Machineです。Teachable Machineは、専門的な知識やコードを書かずに、画像・音声・ポーズといった身近なデータからAIモデルを作成できるツールであり、教育現場やワークショップ、社内のアイデア検証など、幅広い場面で活用されています。

しかし実際には、「どんなことができるのか分からない」「うまく認識しない」「作ったあと、どう使えばよいのか迷う」といった壁に直面するケースも多く見られます。Teachable Machineは手軽である一方、基本的な考え方やコツを押さえていないと、思った成果が得られにくい側面もあります。

本記事では、Teachable Machineの基本的な仕組みから、失敗しにくいモデルの作り方、精度を高めるための考え方、さらに作成後の活用方法や運用時の注意点までを、初めての方にも分かりやすく整理いたします。
「短時間でAIの仕組みを体験したい」「確実に動くデモを作りたい」「授業や研修で失敗したくない」という方にとって、全体像を把握し、安心して取り組むための指針となる内容です。

※本コンテンツは「記事制作ポリシー」に基づき、正確かつ信頼性の高い情報提供を心がけております。万が一、内容に誤りや誤解を招く表現がございましたら、お手数ですが「お問い合わせ」よりご一報ください。速やかに確認・修正いたします。

Teachable Machineとは何か

Teachable Machineでできることと向く用途

Teachable Machineは、機械学習の中でも「分類」に特化した体験を、ノーコードで実現できる点が大きな特徴です。分類とは、入力された情報をいくつかのカテゴリ（クラス）に振り分けることを指します。たとえば、カメラ画像から「グー」「チョキ」「パー」を判定する、マイク入力から「拍手」「口笛」「無音」を判定する、といった形です。

Teachable Machineで取り組みやすい代表例は以下の通りです。

• 教育用途：データ収集→学習→推論というAIの基本プロセスを、短時間で体験させたい場合

• イベント・展示：来場者がカメラやマイクで参加し、結果が画面に反映されるインタラクティブ体験を作りたい場合

• 社内PoC：本格実装の前に「その条件で認識できそうか」を素早く試し、企画判断の材料を集めたい場合

• 個人制作：作品の入力インターフェースとして、ジェスチャーや音声を使った操作を試したい場合

一方で、以下のような用途は、Teachable Machine単体では期待通りにいかないことが多いです。

• 物体検出（位置の特定）：画像中のどこに物があるかを枠で示すような用途

• 複雑な予測（回帰）：売上予測や需要予測のように連続値を予測する用途

• 高精度が必須の判定：医療・法務・安全装置など、誤判定が重大事故につながる用途

Teachable Machineは「成功体験を短時間で得る」ことに向きますが、同時に「適用範囲を理解して使う」ことが重要です。まずは分類の基本を掴み、次に必要に応じてより専門的なモデルや開発手法へ進む、という入口として非常に有用です。

Teachable Machineの3種類のプロジェクトの選び方

Teachable Machineには主に、画像・音声・ポーズの3種類のプロジェクトがあり、最初の選択が体験の成否を左右します。選び方の基本は「入力デバイス」と「分類したい対象」の対応を明確にすることです。

• 画像プロジェクト：カメラ画像や画像ファイルを入力にし、見た目で分類する

• 音声プロジェクト：マイク音声や音声サンプルを入力にし、音の特徴で分類する

• ポーズプロジェクト：カメラ映像から身体の姿勢や動きを推定し、動きのパターンで分類する

迷った場合は、特に授業・体験会では画像プロジェクトが最も安定しやすいです。理由は、①題材が豊富、②撮り直しが容易、③参加者が違いを作りやすい、④騒音など外乱の影響が比較的少ない、という点にあります。

一方で、目的が明確なら他の選択肢も有効です。

• 「拍手でスタート、口笛で停止」などの体験なら音声が適しています。

• 身体表現（ダンス、ジェスチャー）や、画面操作を手で行いたい場合はポーズが適します。

重要なのは、クラス間の違いがはっきり出せる題材を選ぶことです。たとえば「明らかに違う音」「明らかに違う形」「明らかに違う姿勢」は成功しやすい一方、「似ているもの同士」「変化が小さい姿勢」「環境音に埋もれる音」は難易度が上がります。

Teachable Machineに必要な環境と準備物

Teachable Machineを安定して使うために、事前準備は非常に重要です。特に教育・イベントでは、当日のトラブルを避けるために、必要物と前提条件を整理しておく必要があります。

最低限、以下を用意することを推奨いたします。

• PC（推奨）：タブレットでも可能な場合がありますが、入力や画面共有を考えるとPCが安定です。

• Webブラウザ：基本的に最新のブラウザ（Chrome等）を推奨いたします。

• Webカメラ：内蔵カメラでも可能ですが、画角や固定が必要なら外付けが便利です。

• マイク（音声プロジェクトの場合）：内蔵でも可能ですが、教室や会場では外付けの方が安定しやすいです。

• 安定したネットワーク：モデルの作成や共有リンク利用を想定する場合、ネットワーク制限の有無は必ず確認してください。

また、授業や研修での成功率を上げるために、以下の準備も推奨いたします。

• 題材の統一：例として「色カード」「じゃんけん」「特定のジェスチャー」など、短時間で分かる題材を用意する

• 環境の整備：背景を無地にする、照明を安定させる、騒音を抑える

• 予備プラン：通信が不安定な場合や時間が押した場合に備え、学習済みモデルを用意する

特にカメラ・マイクの利用は、権限設定や利用許可が必要になります。初回利用時は「許可」を求めるダイアログが出るため、参加者が迷わないよう、事前に案内文やスクリーンショットを用意しておくと円滑です。

Teachable Machineでモデルを作る手順

Teachable Machineでクラス設計を決めるコツ

モデル作成で最も重要な設計が「クラス設計」です。クラス設計とは、AIに識別させたいカテゴリをどう分けるか、どこまでを同じクラスに含め、どこからを別クラスにするかを決める作業です。ここが曖昧だと、データを増やしても精度が安定しません。

失敗しにくいクラス設計の原則は以下の通りです。

1. クラス間の差が大きいこと
   たとえば「グー」と「パー」は見た目の差が大きいため成功しやすいです。逆に「似た色の小物」などは難易度が上がります。

2. 各クラスの中でバリエーションを持たせられること
   同じクラスでも、距離・角度・明るさが少し変わっても同じ判定になってほしいため、最初からバリエーションが集めやすい題材が望ましいです。

3. 最初はクラス数を抑えること
   初回は2〜3クラスに絞り、確実に成功させる方が学びが深まります。クラスを増やすのは、成功した後でも十分です。

また、教育・ワークショップでは「無音」「何もしない」「その他」など、誤作動を止めるためのクラスを用意することも有効です。たとえば音声では「無音」クラスを入れる、画像では「手を映さない」クラスを入れる、といった形です。これにより、モデルが常に何かのクラスに分類してしまう状態を抑え、体験が安定します。

Teachable Machineで学習データを集める手順

Teachable Machineの精度は、学習データでほぼ決まると言っても過言ではありません。ポイントは「枚数」だけでなく「偏りを減らす」ことです。偏りが大きいと、モデルは本質ではない特徴（背景や光など）を手がかりにしてしまい、環境が変わった途端に外れる可能性が高まります。

ここでは、画像プロジェクトを例に、確実に進める手順を示します。

1. プロジェクトを作成し、クラスを作る
   まずは2〜3クラスを作り、名称を分かりやすく設定します（例：グー、チョキ、パー）。

2. 各クラスでデータを集める
   Webカメラで撮影する場合、同じ姿勢の連続撮影だけに偏らないよう注意します。

3. 条件を少しずつ変えて集める
   たとえば、距離を変える、角度を変える、照明を少し変える、人物を変える、背景を少し変える、といった具合です。

4. 不足をテストで見つけて追加する
   いきなり大量に集めるのではなく、「テスト→不足発見→追加」のループが最も効率的です。

枚数の目安は題材と環境で変わりますが、最初は各クラス20〜50例程度を起点にし、テスト結果に応じて増やすことを推奨いたします。重要なのは、誤判定しやすい条件を見つけ、その条件のデータを重点的に追加することです。

音声・ポーズの場合も基本は同様ですが、外乱が増えるため、特に以下に留意してください。

• 音声：会場の騒音、反響、マイクの位置の違いが影響します。無音や環境音のクラスを用意すると安定しやすいです。

• ポーズ：画角、身体の映り方、服装、背景が影響します。参加者の身長差やカメラ位置を想定し、バリエーションを確保してください。

Teachable Machineでトレーニングとテストを行う手順

データを集めたら、トレーニング（学習）を行い、プレビュー（テスト）で確認します。この工程は「学習したモデルが、想定どおりの条件で動くか」を確認するために欠かせません。

進め方の基本は以下の通りです。

1. トレーニングを実行する
   学習を開始し、完了まで待ちます。学習時間はデータ量や環境によって変動します。

2. プレビューで動作を確認する
   カメラやマイク入力で実際に判定させ、意図したクラスに分類されるか確認します。

3. 誤判定のパターンを観察する
   「どの条件で外れるか」を記録します。たとえば「背景が暗いとパーがチョキになる」など、具体的な状況として把握します。

4. 不足データを追加して再学習する
   誤判定が起きた状況に近いデータを追加し、再トレーニングします。

ここで重要なのは、誤判定があったときに「枚数が足りない」と即断しないことです。枚数不足よりも、背景・照明・距離・角度・クラス設計の問題であるケースが多いからです。次章のチェックリストに沿って原因を切り分けると、改善が早まります。

Teachable Machineの精度を上げる方法

Teachable Machineで精度が落ちる典型原因

Teachable Machineで精度が落ちる原因は、概ね次のカテゴリに整理できます。これを理解しておくと、改善が非常に効率的になります。

• 背景依存：背景の模様や物体を手がかりにしてしまう

• 照明依存：明暗や影の出方が変わると別物として扱ってしまう

• 距離・角度依存：真正面・近距離だけで学習し、斜め・遠距離で崩れる

• クラス設計の曖昧さ：クラス間の差が小さく、境界が不明瞭

• データの偏り：特定の人物・特定の持ち方・特定の音量に偏る

• 外乱の混入：音声なら環境音、画像なら他人の手や影などが混ざる

たとえば画像分類でありがちな失敗は、「Aクラスは机の上、Bクラスは壁の前」で撮影したため、AIが対象ではなく背景を覚えてしまうケースです。この場合、対象を正しく持っていても背景が変わると外れます。改善には「背景を揃える」「背景が異なるデータを両クラスに入れる」などが必要です。

Teachable Machineで改善するためのチェックリスト

ここでは、改善を最短化するためのチェックリストを提示いたします。誤判定が多い場合、上から順番に潰していくと効果的です。

• クラス間の違いは十分か：見た目・音・姿勢の差が小さすぎないか

• 背景の偏りはないか：特定クラスだけ特定背景になっていないか

• 照明条件を含めたか：明るい・暗い・影がある等の条件を含めたか

• 距離のバリエーションはあるか：近い・中間・遠いを混ぜたか

• 角度のバリエーションはあるか：左右や上下の傾き、手の向きを変えたか

• 個人差を含めたか：複数人、利き手、手の大きさなどを含めたか

• 誤判定条件のデータを追加したか：外れた状況を再現して追加したか

• 音声ならノイズ対策をしたか：無音・環境音クラス、マイク距離の差を含めたか

運用上のコツは、「追加するデータを闇雲に増やす」のではなく、外れる条件を狙って追加することです。たとえば「暗いと外れる」なら暗い条件のデータを各クラスに追加します。「距離が変わると外れる」なら距離を変えて各クラスを撮り直します。これにより、改善が局所的かつ確実になります。

Teachable Machineで題材別に効く撮影と収集の工夫

題材ごとに、精度を上げるためのポイントは変わります。ここでは代表的な題材での工夫を整理いたします。

じゃんけん（画像）

• 手を画面中央に固定しすぎない（上下左右に少しずらした例を入れる）

• 手の向きや角度を変える（斜め、少し回転）

• 背景を無地に寄せる（机上を片付ける、布を敷く）

• 複数人で撮影する（手の大きさや形の違いを含める）

カード分類（画像：赤・青・黄など）

• 光の反射を避ける（光沢紙は反射で色が変わる）

• カメラの自動露出で色味が変わるため、明暗条件を混ぜる

• 背景に同系色が入らないようにする（赤カード＋赤背景は難易度が上がる）

拍手・口笛（音声）

• マイク距離を変える（近距離だけでなく遠距離の例も入れる）

• 騒音がある環境で使うなら、その環境音を含めたデータを入れる

• 無音クラスや環境音クラスを用意し、誤作動を抑える

手を挙げる・腕を組む（ポーズ）

• カメラ位置を固定し、上半身が十分に映る距離を確保する

• 身長差や服装の違いを想定し、複数人のデータを混ぜる

• 背景を整理し、身体の輪郭が認識しやすい条件を作る

このように、題材に応じて「外れやすい要因」を先回りしてデータに織り込むことで、当日の成功率が大きく上がります。

Teachable Machineのエクスポートと活用方法

Teachable Machineのエクスポート形式と選び方

Teachable Machineで作ったモデルは、作るだけで終わりではなく、外部での活用によって価値が高まります。エクスポートの選択肢を目的別に整理し、迷いを減らします。

ここで押さえるべき観点は、「誰が」「どこで」「どの端末で」「どんな制約のもとで」使うかです。授業なら配布と再現性が重要、社内PoCなら説明しやすさが重要、個人制作なら自由度が重要、というように優先順位が変わります。

また、共有リンクは便利ですが、安易に公開すると想定外の範囲に拡散する可能性があります。教育・社内利用では、配布範囲、利用期間、削除・更新のルールを決めておくことを推奨いたします。

Teachable MachineをWebで使う流れ

Webでの活用は、概念としては「モデルを読み込む→入力を与える→推論結果（確率など）を受け取る」の流れです。実装に踏み込む場合も、考え方自体はシンプルです。

Web活用の基本フロー（概念）

1. Teachable Machineでモデルを作成し、エクスポート形式を決めます。

2. モデルを共有リンクとして使うか、ダウンロードしてプロジェクトに含めます。

3. Webページ側でモデルを読み込みます。

4. カメラ・マイクなどの入力を取得し、モデルに渡します。

5. 返ってきた各クラスの確率を使い、画面表示や動作（音を鳴らす、キャラクターを動かす等）に反映します。

ここでつまずきやすい点は、以下です。

• ローカルファイル直開きの制約：ブラウザのセキュリティ制約により、ファイル直開きでは読み込みがブロックされる場合があります。簡易サーバで配信する形が安定します。

• カメラ・マイク権限：HTTPS環境を要求される場合や、権限が拒否される場合があります。

• 端末差：同じコードでも、端末性能やブラウザ差で挙動が変わることがあります。

授業・イベントでWeb実装まで行う場合は、当日運用を考え、最初は「結果を表示する」レベルに留め、拡張は次回以降にする方が成功しやすいです。

Teachable MachineをScratchで使う流れ

Scratch連携は、教育用途で特に効果が高い活用方法です。理由は、AIモデルが「入力装置」として機能し、Scratchの作品づくりに直結するためです。たとえば、じゃんけん判定でゲームを作る、拍手でキャラクターをジャンプさせる、ポーズで操作する、といった作品に発展させられます。

Scratch連携の一般的な流れ

1. Teachable Machineでモデルを作成し、安定するまでテストします。

2. 共有リンク等、Scratch側が参照できる形でモデルを用意します。

3. Scratchで拡張機能を追加し、モデルを読み込ませます。

4. 推論結果（クラス判定）をトリガーとして、Scratchのスプライトや演出を制御します。

注意点として、Scratch連携はネットワーク環境の影響を受けやすいです。学校・社内ネットワークでは、外部サイトや特定ドメインがブロックされている場合があります。その場合、当日に「読み込めない」問題が起こり得ますので、必ず事前検証を実施してください。

Teachable Machineの注意点とトラブル対処

Teachable Machine利用時のプライバシーと同意

Teachable Machineはカメラ・マイクを扱うケースが多いため、教育・社内利用ではプライバシー配慮と同意が必須です。特に未成年を対象とする場合は、撮影・録音の扱いを明確にし、必要に応じて保護者への説明や同意取得を行う必要があります。

推奨する運用ルール例は以下の通りです。

• 顔を写さない題材を選ぶ：手、物体、カードなど、個人識別につながりにくい題材を優先する

• 背景を整理する：名札、資料、個人情報が写り込まないようにする

• 共有リンクの配布範囲を限定する：クラス内、社内など最小限にする

• 利用期間を決める：イベント後にリンクを放置しない

• 録音内容に注意する：音声プロジェクトでは、個人名や会話が混ざる状況を避ける

また、参加者には「AIはデータに依存するため、条件が変わると外れる」ことを説明しておくと、誤判定が出た際も学習として前向きに捉えられます。

Teachable Machineで動かない時の切り分け

当日トラブルで多いのは、モデル以前に「環境・権限・ネットワーク」です。以下の順で切り分けると、復旧が早くなります。

• ブラウザの権限：カメラ・マイクの許可が有効か（拒否していないか）

• デバイス占有：別アプリ（会議ツール等）がカメラを使用していないか

• ネットワーク：回線が不安定で読み込みが終わらない、あるいは外部アクセスが制限されていないか

• 共有リンク：リンク先にアクセスできるか、URLの入力ミスがないか

• ブラウザ差：別ブラウザや別端末で再現するか（環境依存の可能性確認）

• ローカル実行の制約：ファイル直開きではなくサーバ配信が必要な形になっていないか

授業・研修では、進行を止めないことが最重要です。そのため、以下の「保険」を用意すると成功率が上がります。

• 学習済みモデル（完成品）を用意し、最悪はそれを使って作品づくりに進める

• 複数題材を用意し、うまくいかない題材は切り替える

• 参加者端末で難しい場合、講師端末でデモし、参加者は観察と改善提案に回す

Teachable Machineの運用ルールと共有リンク管理

共有リンクやモデルデータの運用は、便利さとリスクが表裏一体です。以下の観点でルール化することを推奨いたします。

• 配布範囲の明確化：誰に共有するか（クラス内のみ、社内のみ等）

• 再利用の方針：次回も使うのか、毎回作り直すのか

• 管理責任の所在：リンクの作成者・管理者を決める

• 削除・更新のルール：一定期間後に無効化する、更新時は旧リンクを停止する等

教育目的では「共有リンクをクラス内だけで使い、公開しない」運用が一般に安全です。成果発表として公開する場合は、データの写り込みや音声内容を再点検し、個人情報が含まれていないことを確認してください。

Teachable Machineのよくある質問

学習に必要な枚数の目安はどれくらいですか

目安としては、まず各クラス20〜50例程度から始め、テスト結果に応じて増やす方法を推奨いたします。重要なのは枚数そのものよりも、条件のバリエーションと偏りの是正です。
たとえば「暗いと外れる」「距離が変わると外れる」といった失敗条件が見つかった場合、その条件のデータを各クラスに追加して再学習する方が、闇雲に枚数を増やすより効果的です。

誤判定が多い時は何から見直せばよいですか

以下の順で見直すと改善が早いです。

1. クラス設計：クラス間の差が十分か、境界が曖昧ではないか

2. 背景・照明：特定クラスだけ背景が違う、明暗が偏っている等がないか

3. 距離・角度：真正面・近距離だけになっていないか

4. 失敗条件の追加データ：外れた状況を再現してデータを追加したか

5. 個人差・外乱：複数人のデータ、音声なら騒音条件を含めたか

特に画像では背景依存が原因になりやすいため、背景を揃える、背景の異なるデータを両クラスに入れる、といった対策が有効です。

エクスポート後にどこで動かせますか

目的によって使い分けが必要です。

• Webで動かす：ブラウザ上で推論し、デモや作品に組み込みやすいです。

• 共有して使う：共有リンクを用いると配布が容易です。

• オフラインで持つ：ダウンロードして手元で管理できますが、実行環境の整備が必要です。

• Scratch連携：教育用途で特に相性が良く、作品づくりに直結します。

どの方法でも、当日運用や配布のしやすさを考慮し、最初はシンプルな構成から始めることを推奨いたします。

学校や社内で使う際の注意点はありますか

注意点は大きく3つです。

1. プライバシーと同意：顔や音声を扱う場合の同意取得、写り込み防止、録音内容への配慮

2. ネットワーク制限：外部サイトや共有リンクへのアクセス制限の有無、当日の通信安定性

3. 共有リンク管理：配布範囲、利用期間、削除・更新ルールの策定

特に教育現場では、顔を写さない題材（手、カード、物体）を採用し、共有リンクの公開範囲を限定する運用が安全です。