Tesuji音声AIと話していて、「今のは相づちだったのに、話が止まってしまった」と感じることがあります。声が自然に聞こえることと、会話の順番が自然に進むことは、別の問題です。
Shizuku AIが2026年11月8日に発表したShizuku-Duplexは、日本語で同時に聞きながら話すフルデュプレックスの対話モデルです。公式記事には、相づち、発話の重なり、割り込みなどの会話例が掲載されています。公式発表
本記事はその発表を読むための解説です。モデルを独自に試したレビューや、誰でも使えるAPIの提供を確認した記事ではありません。
良い声と、良い会話を分ける
TTSは、読み上げる文章を音声にする技術です。一方、会話の場面では、いつ話し始めるか、相手が話し始めたらどうするか、短い「うん」をどう受け取るかも必要になります。
フルデュプレックスが扱うのは、こうした時間の重なりです。相手の発話が終わるのを待つだけでなく、自分が話している間も相手の声を受け取り、話す・聞くを調整します。Shizuku-Duplexの発表では、会話を扱うモデルと、検索などの処理を背景で進めるモデルを組み合わせる構成も説明されています。
重要なのは、「速く返事を始める」だけをゴールにしないことです。急いで返した結果、相手が言いたかったことを途中で遮ってしまえば、会話はうまく進みません。
会話を確かめる三つの場面
実際に音声対話の製品を評価するなら、次の場面を分けて記録すると違いを捉えやすくなります。これは本モデルの成績を示すものではなく、Tesujiからの評価の提案です。
| 場面 | 見るところ |
|---|---|
| AIが話す途中に短く相づちを打つ | 話を続けてよい合図として受け取れるか |
| 説明の途中で「そこを変えたい」と言う | 止まって、変更したい点を聞き直せるか |
| 調べものを頼み、その間に補足する | 会話を保ち、返ってきた情報へつなげられるか |
その際は、話し始めるまでの待ち時間だけでなく、途中で言い直した回数や、相手の意図を確認できたかも残したいところです。短いデモで自然に聞こえても、長い相談で同じように進むかは別に確かめる必要があります。
発表の数字を、利用体験と混同しない
公式記事には開発元による比較評価が掲載されています。実際の使い心地には、ネットワーク、マイク、周囲の音、会話の内容も関わります。比較表の数字だけで、自分の用途でも同じ結果になると決めないようにします。
AIキャラクター、対話型のゲーム、相談の入口など、声でやり取りする体験では、言葉の内容と同じくらい会話の間が大切です。Shizuku AIの発表は、その設計を考える材料になります。AI Soundでは、読み上げの声づくりと、会話が続く仕組みの両方を扱っていきます。
編集・運営：NexA／Tesuji。