Full-duplex音声AIとは

Full-duplex（全二重）音声AIは、相手の声を聞きながら同時に話せる音声対話AIです。

電話で話す人どうしのように、AIが話している途中でもユーザーは割り込めます。AIの側も、ユーザーが話している間に「うん」と相づちを打ったり、二人が同時に話し始めたときに会話を立て直したりできます。順番に話す方式は半二重と呼ばれ、トランシーバーに近い動きをします。

トランシーバーと電話

全二重と半二重は、もともと通信の用語です。トランシーバーは一度に片方の声しか運ばず、ボタンを押して話し、離して聞きます。電話は両方の声を同時に運びます。下の2台のスマホは、それぞれの方式の音声アシスタントに同じ依頼をしています。

詳しく（英語）: Speech-to-speech AI, a primer

会話の速さと4つのふるまい

人の会話は速く進みます。片方が話し終えてから次の人が話し始めるまでの間は、約200ミリ秒が最も多くなります。Stiversらが2009年に10言語で測った結果です。一語を話す準備にもこれより長い時間がかかるので、人は相手が話している間に返答を組み立て始めています。発話の重なりも珍しくありません。自然な会話を集めたコーパスでは、話者交替のおよそ40%で発話が重なっています。

全二重のシステムは、この速さについていけるように作られています。実際にできているかは、次の4つのふるまいで分かります。

日本語の会話では「はい」「うん」「そうですね」のような相づちが1〜2秒おきに入り、英語よりかなり頻繁です。英語の基準で作った評価にかけると、日本語として自然な相づちが誤って割り込みと判定されることがあります。

詳しく（英語）: The full-duplex threshold

データベースでの分類

全二重は会話の流れ方を表す言葉なので、よく作られたカスケードは使い勝手の上でそれに近づけます。データベースはもっと厳しく線を引いています。1つのモデルで聞くことと話すことを同時に行うものだけを「全二重」と表示します。割り込まれると話をやめるカスケードも、音声認識、言語モデル、音声合成が順に動くので「カスケード」と表示します。

下の図は、同じ短いやり取りを3つの方式で時間の流れに沿って並べたものです。

ガイド: 全二重、カスケード、半二重の違い。詳しく（英語）: From pipeline to integrated

Moshiとは

Moshiは、パリの非営利研究機関Kyutaiが2024年9月に公開した全二重の音声対話モデルです。約70億パラメータで、ユーザーの音声と自分の音声の2つの流れを並行して扱います。Mimiというストリーミング音声コーデックの上で動き、相手が話している間も考え、相づちを打ち、割り込めます。理論上の遅延は160ミリ秒、L4 GPUでは約200ミリ秒です。重みはCC-BY-4.0、コードはApache-2.0で公開されています。

日本語では、名古屋大学のJ-MoshiがMoshiを日本語の会話でファインチューニングしました。2026年2月25日には、国立情報学研究所（NII）が中心のLLM-jpが、日本語の雑談約1,000時間で調整したLLM-jp-Moshi-v1をApache 2.0で公開しました。商用利用できる日本語の全二重モデルとしては、記録に残る最初のものです。

データベース: Moshi。詳しく（英語）: Kyutai、NII, Nagoya, and J-Moshi

評価の方法（Full-Duplex-Bench）

Full-Duplex-Bench（Linら、2025年）は、最もよく引用されている評価です。録音した音声をシステムに流し、4つの点を見ます。間を置いただけのときに待てるか、話し終えたときに話し始めるか、適切なタイミングで相づちを打つか、割り込まれたときにうまく応じるかです。採点の多くは1つのルールに基づき、システムが3語より多く話すか1秒より長く話したら、話す番を取ったとみなします。後の版では、音声のリアルタイム配信、実際の言いよどみや言い直し、ツールの呼び出しが加わりました。

データベースでは応答時間を2通りで示しています。ベンダーが公表する最初の応答までの時間と、Full-Duplex-Benchで測った値です。測っているものが違うので、同じ種類どうしで比べてください。

日本語の全二重を測る共通のベンチマークは、2026年4月の調査時点でありません。J-Moshiは共通のテストセットではなく、人が聞いて点をつける主観評価（MOS）で性能を示しています。

ガイド: Full-duplex音声AIの評価方法、ターン検出。詳しく（英語）: Mapping the benchmark landscape。データベース: 全二重のベンチマーク27件、J-Moshiの主観評価、API比較はAnalytics

必要なデータ（話者別チャンネルの録音）

全二重のモデルは、話者ごとに別のチャンネルで録音した会話からターンの交代を学びます。1本に混ざった録音では、重なりや相づちが1つの音に溶け合い、後から分けても細部の多くは戻りません。データベースでは、こうしたコーパスを「全二重」と表示しています。ライセンスと同意の条件はコーパスごとに違うので、学習の前に確認してください。

日本語には、英語のFisherにあたる大規模な2チャンネル会話コーパスがありません。J-Moshiのファインチューニングに使った344時間のうち、公開データで再現できるのは143時間です。J-CHATには69,000時間の日本語音声がありますが、モノラルのため全二重の調整には使えません。

ガイド: 全二重モデルの学習データ。詳しく（英語）: The data ceiling、Foundation before vertical。カタログ全体は Hugging Face のデータセット（CC BY 4.0）としても公開しています。

ガイド

日本語に対応したモデルとデータセット

データベースで、対応言語に日本語を含むものの一覧です。対応言語は各提供元の公表に基づきます。

モデル（14件）

データセット（16件）

よくある質問

全二重と半二重の違いは何ですか？

全二重は聞くことと話すことを同時に行い、半二重は順番に行います。電話とトランシーバーの違いにあたります。

相づちを打てるAIはありますか？

聞きながら話す全二重のモデルは、作りの上ではユーザーが話している間に相づちを返せます。ただし2026年の評価では、多くのモデルが相づちを打つべき場面でほとんど打ちませんでした。データベースに載っている70件のモデルのうち、全二重は37件です。モデル一覧で確認できます。

Moshiとは何ですか？

Kyutaiが2024年9月に公開した、約70億パラメータの全二重音声対話モデルです。重みが公開されており、日本語版のJ-MoshiやLLM-jp-Moshi-v1の土台になっています。

日本語に対応した全二重モデルはありますか？

国立情報学研究所（NII）が中心となって2026年2月に公開したLLM-jp-Moshi-v1と、名古屋大学のJ-Moshiがあります。データベースで日本語に対応する全二重モデルは8件です。

日本語の全二重学習データはどこで手に入りますか？

データベースで日本語を含み、話者別チャンネルで録音されたデータセットは8件です。このページの一覧から各データセットのライセンスと出典を確認してください。

データセットは商用利用できますか？

ライセンスによって異なります。データセット一覧の商用利用の欄を見て、使う前に元の利用条件を読んでください。