相づち（バックチャネル）は、相手が話し続けている間に聞き手が返す「うん」「ええ」「なるほど」のような短い反応です。ターンを取らずに、話についてきていることを示します。半二重のシステムは聞いている間は黙っているので、相づちを打てません。2026年のあるベンチマークでは、全二重のモデルの多くも、相づちを打つべき場面でほとんど打ちませんでした。
相づちの役割
相づちは、トランシーバーのようなやり取りではできない4つのふるまいの1つです。ほかの3つは、割り込み（バージイン）、発話の重なり、共同完成です。聞き手は発話権を求めずに、聞いていることを伝えます。これができないシステムはユーザーが話している間ずっと黙っていて、その沈黙は無関心に聞こえます。
聞き手が使う短い言い方はたくさんあります。Backchannel Cue というモデルは、「mhm」から「oh no」までの61種類から選びます。
人が相づちを打つタイミング
話し手がターンを持ったまま話している間に、聞き手は相づちの入る余地がある切れ目で「mm-hm」と返します。
「はい」「うん」「そうですね」のような短い相づちが、およそ1〜2秒ごとに入ります。英語より頻繁です。
DuplexAct では、ほとんどの全二重モデルが、相づちを打つべき場面でほぼ打ちませんでした。
Full-Duplex-Bench v1 は、モデルが相づちを打つタイミングを、参照用のコーパス（ICC）で相づちが入るタイミングと比べ、2つのタイミング分布の差を Jensen-Shannon ダイバージェンスで採点します。差が小さいほど良い結果です。
相づちの頻度は言語によって違います。日本語では「はい」「うん」「そうですね」のような短い相づちがおよそ1〜2秒ごとに入り、英語よりかなり頻繁です。英語の基準に合わせたテストでは、日本語として正しいふるまいが誤りとして数えられることがあります。
ターン検出のモデルは、相づちを1つの独立した状態として扱います。Easy Turn と VoxTurn は、各時点に complete（完結）、incomplete（未完結）、backchannel（相づち）、wait（待機）のいずれかのラベルを付けます。
全二重モデルの結果
2026年10月に公開された DuplexAct は、14のモデルを8種類の対話行動で採点しました。テスト項目は4,691件で、そのうち2,531件は実際の録音に基づきます。各行動は、それを行うべき時点で採点されました。相づちでは、ほとんどのモデルで成功率がほぼゼロでした。
発話に入るほかの行動では、結果がまちまちでした。割り込むのが正しい場面での成功率は、Moshi が67.5%、GPT-Realtime-2.1 が8.8%、Grok Voice が0.0%でした。4つのクローズドモデルは、Recover の行動では77.7〜97.0%の割合で正しく発話に入りましたが、Take Turn では27.5〜41.3%にとどまりました。1つの行動で発話にうまく入れても、別の行動でうまく入れるとは限りませんでした。
その1週間前には、論文 Coupled but Late が、関連するタイミングのずれを報告しました。PersonaPlex どうしを会話させると、発話権が移るまでの時間の中央値は400〜560ミリ秒で、Switchboard 電話コーパスの人どうしの会話では137ミリ秒でした。著者らはこれを、モデルがターンの終わりを予測せずに、終わるのを待っているためと解釈しています。出典: Signals 2026-W42（英語）。
相づちを打つ側と受け取る側
音声エージェントは、2つの向きで相づちに関わります。聞き手のときは、ユーザーが話している間に相づちを打つ必要があります。話し手のときは、ユーザーの「うん」を聞き取り、そのまま話し続ける必要があります。MultiPartyTurnBench では、Gemini-3.8-Live が相づちの97.7%で話すのをやめ、相づちを割り込みとして扱いました。こちら側については割り込み（バージイン）で説明しています。
どちらも学習データの影響を受けます。1本に混ざった録音では、相づちが主な話し手の声に埋もれます。合成した対話では、相づちは生成器のルールが置いた場所にしか現れません。話者別チャンネルが必要な理由は学習データで説明しています。
相づちのモデル
データベースには、主に相づちのために作られたコンポーネントが4件あります。システムが相づちを打つタイミングを予測するものと、ユーザーの発話が相づちか、ターンを取ろうとする発話かを判別するものがあります。
| コンポーネント | 出力 | 提供形態 | ライセンス |
|---|---|---|---|
Easy TurnASLP Lab, Northwestern Polytechnical University | One of complete, incomplete, backchannel or wait, from the user's audio | Open weights | Apache-2.0 |
MaAIKyoto University | Near-future voice activity for user and system, plus backchannel and nodding predictions | Open weights | Custom terms |
Pipecat backchannel detectorPipecat | Every 20 ms while the bot speaks: backchannel or taking the floor | Open weights | BSD-2-Clause |
Backchannel Cue 32MKolja Beigel | Whether a listener would respond now, and with what: one of 61 short forms such as "mhm" or "oh no" | Open weights | MIT |
ほかに6件のコンポーネントが、話し終わりや割り込みと並べて、相づちを出力の1つに挙げています（tyger、VoxTurn、Echo Omni、LiveKit adaptive interruption handling、Krisp VIVA Interruption Prediction v1、X2-Turn-4B）。
ベンチマーク
相づちのタグが付いているか、相づちの指標を報告している全二重のベンチマークは、データベースに6件あります。更新が新しい順に並べています。
| ベンチマーク | 主な指標 | 更新 |
|---|---|---|
| DuplexAct Dong et al. | immediate execution success, follow-through success | 2026-10 |
| M3-DuplexBench NTT (Fukuda et al.) | turn-taking rate and latency, pause handling, backchannel and barge-in response | 2026-10 |
| ECHO Zhao et al. | pair accuracy, yield accuracy, keep accuracy | 2026-09 |
| SID-Bench Xia et al. | Average Penalty Time (APT), false alarms, response delay | 2026-03 |
| Talking Turns Apple / CMU | turn-event F1, backchannel rate, interruption rate | 2025-04 |
| Full-Duplex-Bench v1 NTU / UC Berkeley / UW / MIT | turn-taking latency, back-channel timing, interruption success | 2025-03 |
詳しく（英語）: The full-duplex threshold、Why STS needs new benchmarks
よくある質問
- 相づちと割り込みは同じですか？
- 違います。相づちは聞いていることを伝えるもので、ターンは話し手に残ります。割り込みはターンを取ります。「うん」をすべて割り込みとして扱う音声エージェントは、理由もなく話すのをやめてしまいます。
- カスケードはなぜ相づちを打てないのですか？
- カスケードの返答はユーザーのターンが終わってから始まるので、ユーザーが話している間はパイプラインのどこも話しません。相づち用の別のモデルを加えると、相づちを打てるようになります。
- 相づちは言語によって違いますか？
- 言語によって違います。日本語では「はい」「うん」「そうですね」のような短い相づちがおよそ1〜2秒ごとに入り、英語よりかなり頻繁です。英語の基準に合わせたテストでは、日本語として正しいふるまいが誤りとして数えられることがあります。
- 相づちを測るベンチマークはどれですか？
- データベースでは6件の全二重のベンチマークが相づちを測ります。相づちのタイミングを人の録音と比べる Full-Duplex-Bench v1 や、相づちを打つべき場面でモデルが打つかを確かめる DuplexAct などがあります。
更新日