ENTRY

◀︎ AI NEWS TOPへ

シズク・エーアイ、聞きながら話せる日本語の対話モデル「シズク・デュプレックス」を発表、返事までの中央値は0.57秒と自社で測定

2026.11.09
シズク・エーアイ、聞きながら話せる日本語の対話モデル「シズク・デュプレックス」を発表、返事までの中央値は0.57秒と自社で測定

シズク・エーアイ(Shizuku AI)は2026年11月8日、相手の声を聞きながら話せる日本語の対話モデル「シズク・デュプレックス(Shizuku-Duplex)」を自社の技術ブログで発表しました。話し終わりから返事までの時間の中央値は0.57秒で、オープンAI(OpenAI)の音声モデル「ジーピーティー・ライブ(GPT-Live)」の0.53秒と近い値です。一方、同社の試験での質問への正答率や雑談の点はジーピーティー・ライブを下回りました。

この記事の資料は同社の技術ブログの日本語版と英語版です。試験は同社が作り、雑談の点はAIが付けています。同社以外による評価の結果や、使える時期・費用はブログに載っていません。

何が発表されたか

同社のブログによると、多くの音声AIは話し終わりを見つけてから、音声の文字起こし、言語モデル、音声の合成の順に処理します。この方式では返事を待たされ、途中で口をはさめず、相づちも入りません。

聞きながら同時に話せる方式を、フルデュプレックス(Full-Duplex)と呼びます。相手の話の途中で相づちを打ち、話し終わりを待たずに返せます。ブログによると、オープンAIは2026年7月に ジーピーティー・ライブ を発表しました。日本語でも、ジェイ・モシ(J-Moshi) や エルエルエム・ジェイピー・モシ(LLM-jp-Moshi) が公開されていますが、日本語での賢い対話には課題が残ると同社は書いています。

シズク・デュプレックスは言語モデルをもとに、仕組みから学習まで新しく設計した日本語のモデルです。

仕組み

ブログが挙げる特徴は3つです。

1. 80ミリ秒を1回分として、相手の声を聞きながら自分の声を出します。声に出す内容は声より少し先に文字で書き出され、モデルの「ひとりごと」になります。黙っている間も相手の声を聞き続け、いつ話し始め、いつ黙るかをモデル自身が決めます。1回の処理を80ミリ秒以内に終えるため、計算を速くする道具のテンソルRT(TensorRT)とトライトン(Triton)を使います。2. 会話を受け持つモデルと、裏で調べものなどをするモデルの2つで動きます。会話のモデルは必要になると特別な印を出して、裏のモデルに依頼します。裏のモデルが考えている間も、会話のモデルは受け答えを続け、結果が届いたら自分の言葉で伝えます。裏のモデルはネット検索などの道具を使えます。3. 聞きながら話す方式では、黙っている間も会話の記録が伸び続け、長い会話で応答が崩れることがあると報告されています。そこで約5分ごとに、対話の内容を要約して会話の記録を作り直します。この切り替えは80ミリ秒の1回分の中で処理し、会話を途切れさせない作りです。

声に合わせて動きを選ぶ出力もあります。同社はこの技術で、AIキャラクター「しずく」を作る予定です。

自社の評価の結果

日本語でフルデュプレックスモデルを評価できる試験は、まだ十分にないと同社は書いています。そこで、英語の試験「フルデュプレックス・ベンチ(Full-Duplex-Bench)」の場面と指標、日本語を含む試験「エムスリー・デュプレックスベンチ(M3-DuplexBench)」の雑談と質問応答を参考に、日本語版の試験を同社が作りました。比べた相手は、聞きながら話せるモデルの ジーピーティー・ライブ、ジェイ・モシ、エルエルエム・ジェイピー・モシ です。参考として、聞きながら話さない ジーピーティー・リアルタイム(GPT-Realtime) と ジェミニ・ライブ(Gemini Live) も測っています。

まず、聞きながら話せるモデルどうしを比べます。

📏 測ったこと シズク・デュプレックス ジーピーティー・ライブ ジェイ・モシ エルエルエム・ジェイピー・モシ
相手が話し終わるまで、AIが割り込まずに待つ割合(高いほどよい) 90% 97% 76% 76%
相手が少し黙っても、AIが話し始めない割合(高いほどよい) 98% 96% 64% 83%
相手が相づちを打っても、AIが話し続ける割合(高いほどよい) 95% 88% 80% 93%
相手が割り込むと、AIが2秒以内に話を止める割合(高いほどよい) 89% 82% 73% 29%
相手が他の人に話しかけているときに、AIが返事をしない割合(高いほどよい) 17% 3% 0% 2%
周りの話し声に、AIが返事をしない割合(高いほどよい) 25% 8% 5% 12%

シズク・エーアイの技術ブログ(2026年11月8日)の図7による。同社が作った日本語版の試験の結果。聞きながら話せる4つのモデルを並べた。

この表の6つの指標のうち、話し終わるまで待つ割合だけはジーピーティー・ライブが上でした。それ以外の5つは、シズク・デュプレックスが聞きながら話せるモデルの中で最良だったと同社は書いています。

次に、返事までの時間と、答えの内容です。聞きながら話さない2つのモデルも並べました。

項目 シズク・デュプレックス ジーピーティー・ライブ ジーピーティー・リアルタイム2.1 ジェミニ3.8ライブ
返事までの時間(話し終わりから、中央値)測り方が違う 0.57秒 0.53秒 1.61秒 1.27秒
雑談の「関連性」(1〜10点)AIによる採点 6.5 8.5 8.4 8.4
雑談の「自然さ」(1〜10点)AIによる採点 6.2 7.6 6.8 7.7
複数回のやりとりの質問に正しく答えた割合 79% 95% 96% 98%
調べものが要る質問に正しく答えた割合 43% 50% 15% 43%
調べずに答えられる質問に正しく答えた割合 88% 95% 98% 95%

同じ図7による。ジーピーティー・リアルタイムとジェミニ・ライブは、話し終わりを検知してから答える方式。シズク・デュプレックスとジーピーティー・ライブの返事までの時間は、サーバー側の録音で測り、通信の往復を含まない。残る2つは手元で再生した時刻で測り、通信の往復を含む。通信の往復の時間の中央値は、ジーピーティー・リアルタイムが0.14秒、ジェミニ・ライブが0.04秒。雑談の採点は、AIモデルのクロード・オーパス5.5(Claude Opus 5.5)による。

同社は日本語版の試験が妥当かを確かめるため、同じ方法で英語版を作り、ジーピーティー・ライブ を測りました。結果は、オープンAIが公表した値と同等だったと書いています。

確かめられていないこと

📢 公表されている説明 ⚠️ こちらで確認できていないこと
日本語で賢い対話ができる初の フルデュプレックス モデル(ジーピーティー・ライブを除く)同社が知る限り。ほかの日本語モデルとの比べ方は同社の整理 ⚠️ 同社以外の人が、ほかに該当するモデルがないと確かめたか
日本語の評価で、対話の自然さは ジーピーティー・ライブ を含む6つのモデルの中で最良ブログ冒頭の説明。図7の雑談の「自然さ」は6.2点で、ジーピーティー・ライブの7.6点やジェミニ・ライブの7.7点より低い ⚠️ 冒頭の「対話の自然さ」が指す指標と、図7の雑談の「自然さ」の点との関係
話す順番の受け渡しの6指標のうち5指標で、フルデュプレックスのモデルの中で最良話し終わるまで待つ割合だけ、ジーピーティー・ライブが上 ⚠️ 評価に使った会話の長さ・件数・声の条件
応答の内容は、フルデュプレックスのモデルとして ジーピーティー・ライブ に次ぐ雑談の関連性と自然さは AI の採点。評価データの公開は書かれていない ⚠️ 人が聞いた評価、同社以外が同じ条件で測り直した結果
日本語版の評価は妥当英語版を作り ジーピーティー・ライブ を測ったところ、オープンAIの公式の値と同等だったと同社は書いている ⚠️ 日本語版の評価が、実際の会話の良し悪しと合うか
約5分ごとに対話を要約して作り直し、会話を切らずに長く話せるブログの説明 ⚠️ 長時間の通話での評価の結果
使える場所・時期・費用ブログに記載なし ⚠️ 公開の有無、料金、モデルの大きさ、学習データ

凡例:📢=当事者が公表している説明 ⚠️=出典に書かれておらず、こちらで確認できていない点
説明は シズク・エーアイ の技術ブログ(2026年11月8日)による。

誰に関係するか

電話の受付や予約の確認に音声AIを使いたい会社なら、会話を続けるモデルと調べものをするモデルを分ける設計が参考になります。旅館の電話予約で、調べものの結果を待ちながらも、お客さんの相づちや言い直しに応じる使い方が考えられます。これはこの記事での想定で、旅館で使われた実績を紹介しているわけではありません。

音声AIを選ぶときに比べる項目は、返事までの時間、相づちや割り込みへの対応、質問への正答率です。今回の試験でも、モデルによって返事までの時間の測り方が異なります。自社で試せる場合は、電話で相づちや言い直しが入る場面を録って、応答を比べる方法が考えられます。ただし、このブログだけでは自社の使い方に合うかは分かりません。

参考文献

  • Shizuku-Duplex:自然な間合いで話す日本語 Full-Duplex モデル(Shizuku AI、2026-11-08)https://shizuku.ai/blog/1/
  • Shizuku-Duplex: Japanese Full-Duplex Model for Natural Conversation(同、英語版)https://shizuku.ai/en/blog/1/

最新の記事も併せてチェック

Tags

タグ一覧へ ▶︎

Kamone
著者 Kamone

30歳で学者志望からITエンジニアに転身。通信・金融業界におけるインフラ領域を中心に、オンプレミスからクラウドまで幅広く経験。AWS学習コミュニティでは公認メンターとして教材制作や講師を務める。現在はリツアンSTCにて事業推進に携わり、AI活用とエンジニア支援の高度化に取り組んでいる。

Kamone
著者 Kamone

株式会社リツアンSTC社員。

1984年 東京都中野区生まれ。

大学中退後、工場や警備員などを経て、何もスキルが身についていないことに危機感を覚える。
2014年 何か手に職をつけなければと思い、電子専門学校からエンジニアになった弟を見て「コイツにできるなら俺もできる」と安易な考えで未経験からIT業界に飛び込む。
そこは「まともな案件に入れなければ営業としてこき使われるか中国に送られるらしい」と恐ろしい噂が飛び交う会社だった。
「とんでもないところに来てしまった…」と戦慄するも、運よく大手新聞社系のインフラチームから声がかかり、エンジニアとしてのスタートを切る。

その後、SESを転々としながら通信・金融業界のオンプレ・クラウド案件を中心にインフラエンジニアとして経験を積む。

2021年 AWS学習サービス「Cloudtech」に参加し、公認メンターとして書籍出版プロジェクトや教材制作・講師などのコミュニティ・サービス運営に関わる。

2023年 ゆとりーマンのYoutube動画で新興SESの闇とリツアンの存在を知り、転職。(当時所属していたSES企業が動画で紹介されていた特徴に当てはまっていて愕然)
その後、CloudTechとリツアンの橋渡し役を担い、合同プロジェクト「テラコヤテック」の運営に関わる。
2025年 リツアンの「エンジニアに一円でも高い報酬を」「会社は社員に使われるためにある」「出入り自由」といったスタンスに共鳴。エンジニアから転向し、リツアンの事業推進に参画。
現在に至る。

他人の文体を真似たり、他人が書いた文章を手直しするのが得意、という若干嫌な気持ちにさせる特技を持つ。
AI活用を鋭意研究中。
(リツアンいいとこ一度はおいで。)

今すぐわかる。報酬シミュレーション