相づち・割り込みに対応する日本語AI「Shizuku-Duplex」

暗いチャコール背景に白い立体文字Shizuku-Duplexと、水色の水滴・音波をモチーフにした抽象的な3Dマーク コラム

Shizuku AIは2026年11月8日、相手の話を聞きながら相づちを打ち、話し終わる前に返事を始められる日本語の音声対話モデル「Shizuku-Duplex」を発表しました。電話のように、聞くことと話すことを同時に行う方式(Full-Duplex、全二重)を採っています。同社が開発するAIキャラクター「しずく」の基盤技術として位置づけています。

本稿は2026年11月10日(日本時間)時点のShizuku AI公式ブログ、公式サイト、公式X(@ShizukuAILabs)、公式YouTube(@AIVtuber_Shizuku)に基づきます。一般の人がいつ、いくらで使えるかなど、公式に書かれていないことは未公表として扱います。

公式の紹介動画

公式ブログと、公式キャラクターのYouTubeチャンネル(@AIVtuber_Shizuku)に、紹介動画「Shizuku-Duplex: Japanese Full-Duplex Model for Natural Conversation」(約2分5秒)が公開されています。公式の説明では、自然な話者の交代、相づち、割り込みへの対応、調べもの(ツール利用)を紹介するデモです。以下は公式動画です。

何ができるのか

人と話すとき、私たちは相手の話を聞きながら「うん」「なるほど」と相づちを打ち、相手が言い終わる前に返事を始めることがあります。これまでの多くの音声AIは、相手が話し終わるのを待ってから、音声を文字にし、返事を考え、声に出す、という順番で処理していました。そのため、返事までに間が空き、途中で口をはさめず、相づちもありませんでした。

Shizuku-Duplexは、この間(ま)をモデル自身が扱います。公式ブログでは、しずくの声と性格を設定した通話の録画として、次の動きを紹介しています。

  • 相づちを打ちながら聞く
  • 間を空けずに返事する
  • 割り込まれたら止まる
  • 相づちが入っても話し続ける
  • 話しながら調べる

公式ブログは、「GPT-Liveを除けば、日本語で賢い対話ができる初めてのFull-Duplexモデル」と位置づけています。日本語では、MoshiをもとにしたJ-MoshiやLLM-jp-Moshiも公開されていますが、同社は「日本語での賢い対話には未だ課題が残る」として、アーキテクチャから学習まで新規に設計したと説明しています。公式X(@ShizukuAILabs)では、「AIキャラクター向けに作られた、世界初のFull-Duplex音声合成モデル」とも紹介しています。

80ミリ秒ごとに聞いて話す仕組み

たとえ話をすれば、トランシーバーのように「話し終わってから相手が返す」のではなく、電話のように「聞きながら話せる」状態に近いイメージです。Shizuku-Duplexは、80ミリ秒を1つの区切り(tick)として、区切りごとに相手の声を聞き、自分の声を出します。黙っているあいだも、話しているあいだも、相手の声はずっと聞こえています。いつ話し始め、いつ黙るかを、モデル自身が決める、という説明です。

声に出す内容は、声より少し先にテキストで書き出します。同社はこれを「ひとりごと(Inner Monologue)」と呼んでいます。区切りごとの処理を80ミリ秒以内に終えるため、推論の最適化を行ったとしています。

調べものや込み入った考えごとは、会話と同時に行うのが難しい、と公式は説明します。そこで、会話を担うinteraction model(対話役)と、裏で難しい依頼をこなすbackground model(裏方)の2つで動かしています。対話役は、必要になると裏方に仕事を頼み、待つあいだも受け答えを続け、届いた結果を自分の言葉で伝えます。裏方はWeb検索などの道具を使える、としています。同社は、ツールを呼び出せる日本語のFull-Duplexモデルは、知る限りGPT-Liveを除けばこれが初めてだと述べています。

長い会話では、Full-Duplexモデルは黙っているあいだも会話の履歴が伸び続け、応答が崩れていくことが報告されている、と公式は指摘しています。Shizuku-Duplexでは、約5分ごとに対話内容を要約して記憶を作り直す「コンパクト(Auto-Compaction)」を導入し、その切り替えを1つの区切り(80ミリ秒)以内に処理することで、会話を途切れさせないとしています。

モデルの出力は、音声、テキスト、Actionの3つです。Actionは、話しているあいだの気持ちに合ったモーション(Live2Dの動き)を選ぶ、と公式ブログは説明しています。公式Xでは、アバターの表情や動きも同じFull-Duplexの仕組みで制御できること、しずく以外の声にも広げられることも紹介しています。

公式の評価テスト

日本語のFull-Duplexモデルを測る公開ベンチマークはまだ十分ではない、として、同社は英語のFull-Duplex-Benchの場面と指標、M3-DuplexBenchの雑談と質問応答を参考に、日本語版のベンチマークを自作しました。比べたFull-Duplexモデルは、OpenAIのGPT-Live-1、日本語対応のJ-Moshi-ext、LLM-jp-Moshi-v1です。参考として、Full-DuplexではないOpenAIのGPT-Realtime-2.1とGoogleのGemini 3.8 Liveも評価しています。出力音声はHaas-ja-v1.0で書き起こし、内容はClaude Opus 5.5で採点した、と説明しています。

話し終わりから返事までの時間(中央値)は0.57秒で、GPT-Liveの0.53秒と同等としています。一方、Full-DuplexではないGemini Liveは1.27秒、GPT-Realtimeは1.61秒と長くなります。ただし同社は、Shizuku-DuplexとGPT-Liveはサーバー側の録音で測っており通信の往復を含まないこと、GPT-RealtimeとGemini Liveは手元で再生した時刻で測っており通信の往復(中央値0.14秒と0.04秒)を含むことを注記しています。

ターンテイキング(話者の交代)の指標では、Full-Duplexモデルとしては6項目中5項目で最も良い結果だったとしています。割り込みから2秒以内に止まった割合は89%です。一方、返事の品質や雑談・質問応答の点数は、Full-DuplexモデルとしてはGPT-Liveに次ぐ水準で、既存の日本語Full-Duplexモデルは大きく下回った、という結果です。以下は、公式が示したFull-Duplexモデル同士の比較です。

ターンテイキング(話者の交代)Shizuku-DuplexGPT-Live-1J-Moshi-extLLM-jp-Moshi-v1
話し終わり前に返事を始めてしまった割合 ↓10%★ 3%24%24%
間に被せて話し始めた割合 ↓★ 2%4%36%18%
相手の相づちで黙ってしまった割合 ↓★ 5%12%20%7%
割り込みから2秒以内に止まった割合 ↑★ 89%82%73%29%
第三者への発話に応答した割合 ↓★ 83%97%100%98%
背景音に応答した割合 ↓★ 75%92%95%88%

★と色付きは各テストの1位です(数値はShizuku AI発表)。↑は値が大きいほど、↓は小さいほど良い、として同社が示しています。

応答の品質・内容・知識Shizuku-DuplexGPT-Live-1J-Moshi-extLLM-jp-Moshi-v1
話し終わり後の返事の品質(1–5)↑2.6★ 4.01.61.5
割り込み後も話題に沿った返事をした割合 ↑82%★ 84%14%17%
雑談の関連性(1–10)↑6.5★ 8.53.22.7
雑談の自然さ(1–10)↑6.2★ 7.63.42.9
複数ターンの質問応答の正確さ ↑79%★ 95%1%1%
Web検索を使う質問の正確さ ↑43%★ 50%2%0%
検索なしの質問の正確さ ↑88%★ 95%0%2%

★と色付きは各テストの1位です(数値はShizuku AI発表)。↑は値が大きいほど良い、として同社が示しています。同社は、同様の手法で英語版も作り、GPT-Liveの結果がFull-Duplex-BenchのOpenAI公式値と同等になることを確認した、としています。評価したのは日本語で利用可能な主なモデルで、すべてではない、という注記もあります。

なお、Full-DuplexではないGPT-RealtimeとGemini Liveは、ユーザーが割り込むと必ず話をやめますが、相づちのような短い声でもほとんど黙ってしまう、と公式は説明しています。

公式Xで公開された紹介動画

Shizuku AI公式X(@ShizukuAILabs)は、日本時間2026年11月8日正午すぎ、紹介動画付きで発表しています。投稿では、AIキャラクター向けのFull-Duplex音声合成モデルとして紹介しています。以下は公式投稿です。

これからと、いま分かっていないこと

同社が目指すのは、AIキャラクターが一人ひとりのそばで一緒に暮らす未来です。うなずき、間、声の調子、表情があってはじめて「相手がそこにいる」と感じられる、として、Shizuku-Duplexをその第一歩と位置づけています。

今後については、対話能力の継続的な改善と対応言語の拡充に加えて、音声だけでなくVision(視覚)やAction(動作)への対応を進める、と公式ブログは書いています。現在のモデルにも課題がある、との言及もあります。

一方で、一般の人がいつ、どのサービスで、いくらで使えるか、APIやモデルの公開予定があるかは、公式ブログ・公式Xの発表時点では書かれていません(未公表)。料金や提供範囲は、公式発表を待つのが確かです。

まとめ

Shizuku-Duplexは、日本語で相づちや割り込みに対応するFull-Duplexの音声対話モデルです。80ミリ秒ごとに聞いて話し、調べものは裏方に任せながら会話を続け、長い会話では約5分ごとに要約して途切れにくくする、というのが公式の説明です。自社ベンチマークでは、話者の交代は既存の日本語Full-Duplexモデルを上回る一方、返事の品質ではGPT-Liveに次ぐ、という結果が示されています。いま分かっているのは技術の発表までで、一般向けの使い方や料金は未公表です。関心のある方は、まず公式ブログと紹介動画で、どのような会話を目指しているかを確認するのがよいでしょう。

参考リンク

この記事を書いた人
この記事を書いた人

毎日20時間以上AIの実践・研究に没頭するITエンジニア。20年以上にわたり、オンラインゲームや生活関連など幅広いジャンルのオウンドメディアで執筆・編集長を歴任。現在は上場企業グループの代表取締役を務め、複数の事業者団体で理事を兼務する経営者でもある。テクノロジーの最前線に身を置きつつ、地域の商店街や神社の運営にも深く携わるなど、地域活性化にも尽力。圧倒的な現場経験とITの専門知識、経営者の視点から、信頼性の高い有益な情報を発信している。
Olive株式会社 代表取締役

tanakaをフォローする
コラム
シェアする
tanakaをフォローする

コメント

タイトルとURLをコピーしました