日本語でリアルタイム会話可能なAI「Shizuku-Duplex」が登場、80ミリ秒ごとに高速処理して相づちやウェブ検索にも対応

GPT-Live以降初となる、流暢に話せる日本語Full-duplexモデル、「Shizuku-Duplex」を開発しました！

従来のAIとの音声対話はターン制で、少しぎこちない会話になりがちでしたが、Full-duplex(全二重対話)モデルを用いると人間同士の会話と同じように、「話しながら聞く」ということが可能になります！ https://t.co/M0ELrNpLLn

— あき先生(Aki) (@cumulo_autumn) November 8, 2026

既存の音声会話AIの多くは「ユーザーが話し終わるのを待ってから発話内容を生成して出力する」という仕組みで動作しているため会話中に待ち時間が発生します。一方でShizuku-DuplexはFull-Duplex型のモデルであり、ユーザーが話している途中で相づちを打ったり、ユーザーが話し終わる前に返答し始めることができます。

日本語での長い会話例も投稿されています。ユーザーの発話が終わる前にかぶせるように返答できています。

Shizuku-Duplexは80ミリ秒ごとにリアルタイム推論を実行する仕組みで、音声を出力する前にセリフをテキストで書き出す「Inner Monologue」という処理が実行されます。この高速処理を実現するためにTensorRTやTritonカーネルを用いた推論最適化を実施したとのこと。

また、ウェブ検索が必要な複雑な質問に回答する際は、ウェブ検索処理中に簡単な回答を発話し、検索結果をもとにした詳細な回答を途切れることなく出力することもできます。さらに5分ごとに会話履歴を要約することで長時間の会話でも安定した出力が可能です。

「Shizuku-Duplex」「GPT-Live-1」「J-Moshi-ext」「LLM-jp-Moshi-v1」「GPT-Realtime-2.1」「Gemini 3.8 Live」の各種性能テスト結果をまとめた図が以下。Shizuku-DuplexはFull-Duplex型のモデルの中ではGPT-Live-1に次ぐ性能を記録し、既存の日本語Full-Duplexモデルを大きく上回りました。

Shizuku AIは今後も「そこにいると感じられるAIキャラクター」の実現に向けて視覚や動作への対応を進める姿勢を示しています。