Subscribe

全二重モデルの性能比較と選び方

English

聞きながら話せる全二重(Full-duplex)の音声モデルを、1つの点数で順位づけることはできません。電話エージェントは用件を最後まで終える必要があり、対話キャラクターは話すタイミングが合っている必要があります。この2つを測るベンチマークは別のものです。製品に合う指標を選び、同じチームが同じ条件で1回に測った結果の中でモデルを比べます。電話エージェントでは、このページで比べたAPIの中で、GPT-Live 1(裏のモデルは GPT-6 Astra)の用件完了率が最も高い結果です(τ-Voice v2 で79.9%)。提供元が自分で提出した2つのシステムは、これを上回っています。対話キャラクターでは、返事が0.5秒未満で、間も待てるモデルは、作者の表にありません。最も近いのは Gemini 3.1 Flash Live です。日本語でモデルを並べた数値は、1社が自社で測ったものだけです。

比べる前の2つのルール

  • 同じ測定の中で比べます。ここでいう測定は、同じチームが同じ条件で1回に測った結果のことです。同じベンチマークでも、別のチームが実行すると同じモデルの点数が変わるので、出どころの違う数値は並べられません。
  • 誰が測ったかを確かめます。ベンチマークの作者、公開リーダーボード、モデルを作ったチーム自身の3つは、根拠としての種類が違います。下の表には、どれにあたるかを書いています。

ガイド: Full-duplex音声AIの評価方法

製品別の指標

製品比べるものベンチマーク
サポートや営業の電話エージェント雑音や訛りがあり、ツール呼び出しも必要な状況で、会社のルールに沿って用件を完了できるか。τ-bench 2.0 (τ-Voice)、EVA-Bench、Full-Duplex-Bench v3
対話キャラクター、話し相手、チューターいつ話し始めるか、間を待てるか、割り込まれたときにどうするか。Full-Duplex-Bench v1、Full-Duplex-Bench v1.5、DuplexAct
会議や複数人の会話複数人の中でいつ話すか、誰に向けた発話か。MultiPartyTurnBench、MultiTalkBench、Duplex-MPE、MP-Bench
映像つきのエージェントやアバターユーザーの表情やしぐさを読み取れるか。自分の顔と声が、合ったタイミングで反応するか。VideoFDB、Omni-DuplexEval、OmniInteract
日本語の製品日本語の会話での動作。日本語では、聞き手が英語よりはるかに多く相づちを打ちます。Shizuku AI が自社で実施したベンチマーク、M3-DuplexBench、J-Moshi(主観評価)
自社のサーバーで動かすまずライセンスと必要なハードウェアを確かめます。次に、重みが公開されたモデルの点数を比べます。ターンの交代の表にある dGSLM、Moshi、Freeze-Omni と、ツール呼び出しの表にある Ultravox v0.7

電話エージェント

τ-bench 2.0 (τ-Voice) は Sierra Research の公開リーダーボードです。音声の部門である τ-Voice v2 は、会社のルールを与えたうえで、カスタマーサポートの通話を完了できた割合を数えます。言語は、英語、スペイン語、ポルトガル語、ヒンディー語、中国語、韓国語の6つです。各行は、音声モデルと、裏で動かしたモデルや推論の設定を合わせた結果なので、点数はその組み合わせのものです。表は、当サイトで比べているAPIのうち、この部門に結果がある2つです。どちらも Sierra が測りました。リーダーボードには、提供元が自分で提出した結果も載ります。そのうち2件は、表の2つを上回っています。Avartha の Ava Zero が86.0%、Phonic-1 が83.2%です。

モデル設定結果
GPT-Live 1裏のモデルは GPT-6 Astra79.9%
Gemini 3.8 LiveExtended Thinking(高)68.5%

ServiceNow の EVA-Bench は、3つの業務分野の213場面で音声エージェントを測ります。表はその指標の1つである「忠実さ」です。エージェントが指示とルールをどれだけ守ったかを、雑音のない音声で採点しています。測定は ServiceNow が行い、公式サイトの結果ページで公開しています。OpenAI Realtime (gpt-realtime-2.1) と Gemini 3.8 Live は、結果の幅が重なっています。この2つの順位は確定していません。

モデル設定結果幅
Grok Voice 3.0 (xAI Speech to Speech API)—66.2%62.3から70.1
OpenAI Realtime (gpt-realtime-2.1)—49.4%45.4から53.4
Gemini 3.8 LiveExtended Thinking(高)42.1%38.1から46.0

Full-Duplex-Bench v3 は、言いよどみや言い直しを含む実際の録音の依頼から、1回から3回の連続したツール呼び出しを求めます。表は、ベンチマークの作者による2026年4月の測定です。表の GPT-Realtime は gpt-realtime-1.5 で、上の EVA-Bench の表にある版より前のものです。Grok の行は、Grok Voice 3.0 より前の版です。テストは100件の録音なので、1ポイントは録音1件にあたります。ツール呼び出しがすべて正しかった割合が最も高いのは GPT-Realtime(60%)です。答えが最も早かったのは Gemini Live 3.1(4.25秒)ですが、100件のうち22件では応答がありませんでした。はじめの2列は高いほど良く、残りの2列は低いほど良い結果です。

モデルツール呼び出しがすべて正解(Pass@1)応答があった割合答えまでの時間ユーザーを遮った割合
GPT-Realtime60%96%6.89秒14%
Gemini Live 3.154%78%4.25秒19%
Gemini Live 2.549%92%7.26秒14%
カスケード構成の比較対象
Whisper + GPT-4o + OpenAI TTS
45%100%10.12秒33%
Grok43%94%6.65秒26%
Ultravox v0.741%96%8.40秒48%

ガイド: 検索やツール呼び出しとの連携

対話キャラクターと話し相手

Full-Duplex-Bench v1 は、英語の録音済みの音声を流して、話す番の受け渡し(ターンの交代)を調べます。表は、ベンチマークの作者が公開しているものです。4行は2025年の論文、残りの4行は2026年5月にリポジトリの README へ追加された結果です。返事が早い順に並べています。返事までの時間は、モデルが話す番を取った場面だけで平均しています。ユーザーが話し終えたときに「話す番を取る」割合は、高いほど良い結果です。残りの列は、低いほど良い結果です。PersonaPlex の行は公開前の試作モデルで、数値は NVIDIA 自身の論文と同じです。公開されているモデルについては、同じ論文が、返事までの時間を0.17秒、合成音声の間に割って入る割合を36%と報告しています。

モデル返事までの時間間に割って入る(合成音声)間に割って入る(実際の会話)話す番を取る割り込み後、返事までの時間
PersonaPlex
公開前の試作モデル
0.07秒58%66%99%0.40秒
Moshi0.27秒99%98%94%0.26秒
dGSLM0.35秒93%94%98%2.53秒
Gemini 3.1 Flash Live
思考は最小設定
0.57秒2%15%100%0.34秒
Gemini 3.1 Flash Live
思考は高設定
0.94秒1%10%99%0.65秒
Freeze-Omni0.95秒64%48%34%1.41秒
Gemini 2.0 Flash Live1.30秒26%31%66%1.18秒
GPT-Realtime
バージョンの記載なし
1.47秒1%12%100%1.50秒

dGSLM、Moshi、PersonaPlex(公開前の試作モデル)は0.5秒未満で答えましたが、合成音声に入れた間の58%から99%で割って入りました。GPT-Realtime、Gemini 3.1 Flash Live は、割って入る割合が、合成音声の間では1%から2%、実際の会話の録音にある間では10%から15%でした。返事までには0.57秒から1.47秒かかりました。この表には、両方を満たすモデルはありませんでした。最も近いのは Gemini 3.1 Flash Live(思考は最小設定)で、0.57秒と2%です。

返事が早いグループは、重みが公開された研究用モデルです。間を待てるグループは、1年後に表へ追加されたAPIです。差の一部は、測った時期や動かし方の違いによる可能性があります。GPT-Live 1、Gemini 3.8 Live、Grok Voice 3.0 は、作者による測定がまだありません。

この表が測っているのはタイミングだけです。割り込み後の返事の内容を0から5で採点した項目では、dGSLM が0.2、Moshi が0.8でした。ほかのモデルは3.4から4.2です。考えている途中のユーザーを遮ることが製品にとって困る場合は、2つ目のグループから検討してください。

Full-Duplex-Bench v1.5 は、モデルが話している間に、4種類の音を重ねます。ユーザーの割り込み、ユーザーの相づち、ユーザーが別の人に話しかける声、背景の話し声です。表はこのうち3つです。2025年の論文での作者による測定なので、対象のモデルは古い世代です。「止まるまでの時間」は低いほど良く、ほかの列は高いほど良い結果です。

モデル割り込みに応じる止まるまでの時間相づちでは話し続ける背景の話し声では話し続ける
GPT-4o Realtime
2024年12月17日のプレビュー版
78%0.23秒70%4%
Freeze-Omni72%1.42秒80%25%
Moshi50%1.16秒6%7%
Gemini 2.0 Flash Live33%2.20秒93%30%
Nova Sonic
v1
24%2.25秒98%98%

割り込みに最も多く応じたのは GPT-4o Realtime(2024年12月17日のプレビュー版)で、78%です。ただし、背景の話し声で話し続けた割合は4%でした。Nova Sonic(v1)は、相づちの98%、背景の話し声の98%で話し続けました。割り込みに応じた割合は24%でした。Moshi の6%は、止まった回数を表す数値ではありません。相づちの場面の92%で、判定モデルが Moshi の動作を分類できませんでした。

DuplexAct は、相づちを打つべき時点で、モデルが実際に打ったかを調べました。14のモデルのほとんどは、ほぼ打ちませんでした。最も高い Raon-SpeechChat で31%、GPT-Realtime-2.1 は0.2%です。相づち(バックチャネル)と割り込み(バージイン)のガイドで説明しています。

複数人の会話と映像

  • MultiPartyTurnBench は、合成した240件の会話で、2人から5人の場面を扱います。5つの全二重エージェントは、話し始める時点をおおむね正しく判断しました(balanced accuracy で86%から96%)。本当の割り込みと、それ以外の発話の聞き分けは、当て推量と同じ程度でした(47%から55%)。Gemini 3.8 Live は、相づちの97.7%で話すのをやめました。
  • Duplex-MPE は、3人か4人が話している場面で、重みが公開された8つのシステムを測りました。4つの採点項目のうち3つで、MiniCPM-o 4.5 が最も良い結果でした。
  • MP-Bench は、12の音声エージェントを、グループの会話の参加者の1人として測りました。リアルタイムで動くエージェントは、誰が何を言ったかを追う問題の正答率が22%以下でした。ターンの交代は、当て推量に近い結果でした。
  • VideoFDB は、NVIDIA と David AI による、映像つきの全二重エージェントのベンチマークです。リーダーボードには、参加者が自分のエージェントを録画し、公開の採点ツールで出した点数を NVIDIA に送った結果が載ります。Tavus の Griffin-Lite は、どちらの部門でも、人の基準値に次ぐ最上位です。生成の評価は5点満点の3.83で、人の基準値は3.92です。相手の様子を読み取る評価は3.73で、人の基準値は4.20です。応答までの時間の中央値は1,892ミリ秒と2,232ミリ秒で、人の基準値は900ミリ秒と1,400ミリ秒です。Griffin-Lite を使えるのは、選ばれたテスターだけです。

日本語

上の Full-Duplex-Bench の表は、英語で測った結果です。τ-Voice の6言語にも、日本語は含まれていません。日本語でモデルを並べて比べた数値は多くありません。最もそろっているのは Shizuku AI のものです。同社は日本語のベンチマークを自分で作り、自社のモデルとほかの5つのモデルで実施しました。モデルもテスト用のデータも公開されていないため、社外では同じ測定をまだ行えません。

  • 同社が全二重として扱った4つのモデルの中では、Shizuku-Duplex が、ターンの交代に関する6項目のうち5項目で最も良い結果でした。ただし、そのうち2項目は、最も良い結果でも17%と25%です。ユーザーが別の人に話しかけたときと、背景に話し声があるときに、黙っていられるかを見る項目です。Shizuku-Duplex は公開されていません。
  • 応答の内容は、4つの中で GPT-Live 1 が最も良い結果でした。複数ターンの質問の正答率は95%で、Shizuku-Duplex は79%です。
  • GPT-Realtime-2.1 と Gemini 3.8 Live は、全二重ではないモデルとして測られました。どちらも、ユーザーが話し終えたことを検出してから答えるためです。当サイトのデータベースでは、この2つを全二重として載せています。複数ターンの質問の正答率は96%と98%で、割り込まれたときは必ず止まりました。ユーザーの相づちの間も話し続けた割合は、0%と13%でした。
  • テストに含まれる公開モデルの J-Moshi-ext と LLM-jp-Moshi-v1 は、複数ターンの質問の正答率が1%でした。どちらも、雑談のデータで学習した試作段階のモデルです。J-Moshi-ext のライセンスは非商用に限られます。

NTT の M3-DuplexBench は、英語と日本語で、ターンの交代、間の扱い、ユーザーの相づち、割り込みへの対応を採点します。コードは、非商用の評価用ライセンスで提供されています。

J-Moshi(主観評価)は、人が5段階で付けた評価です。J-Moshi の論文では、自然さの評価が J-Moshi-ext で2.66、比較対象の dGSLM で2.44でした。NII が自分で行った別の評価では、LLM-jp-Moshi-v1 が3.34、J-Moshi が2.43でした。

日本語に対応するAPIと公開モデル: Full-duplex音声AIを使えるサービスとAPI。詳しく(英語): Shizuku AI、NII, Nagoya, and J-Moshi

応答時間

各社が公表する遅延は、測っているものも条件も違うので、並べて比べられません。下の表は、Full-Duplex-Bench v1 の「返事までの時間」という1つの定義にそろえたものです。各社が自社のモデルで測った結果です。OpenAI の2行は、OpenAI による1回の測定です。Qwen の行は Alibaba 自身の論文の数値です。1つ目のルールのとおり、Qwen と OpenAI の順位はこの表からは決められません。参考として、ベンチマークの作者の表にあるAPIの中では、Gemini 3.1 Flash Live(思考は最小設定)の0.57秒が最も短い結果です。

Analytics では、データベースにあるすべての測定を、出どころごとのタブで見られます。

候補の絞り込み

詳しく(英語): Why STS needs new benchmarks、Full-Duplex-Bench

よくある質問

Full-duplex(全二重)の音声モデルで、最も良いのはどれですか?
1つの順位はありません。ベンチマークごとに測るものが違い、同じモデルでも、誰が測ったかで点数が変わります。製品に合う指標を選び、同じチームが同じ条件で1回に測った結果の中で、モデルを比べてください。
カスタマーサポートの通話には、どの全二重モデルが合いますか?
Sierra の公開リーダーボード τ-Voice v2 は、カスタマーサポートの通話を扱います。データベースにある結果のうち上位2件は、提供元が自分で提出したものです。Avartha の Ava Zero が86.0%、Phonic-1 が83.2%です。このページで比べているAPIは Sierra が測っており、その中では GPT-Live 1(裏のモデルは GPT-6 Astra)の79.9%が最も高い結果です。指示をどれだけ守ったかを測る EVA-Bench の「忠実さ」では、Grok Voice 3.0 (xAI Speech to Speech API) の66.2%が最も高い結果です。どちらも、音声モデルを、実行時の構成と合わせて採点しています。
対話キャラクターや話し相手には、どの全二重モデルが合いますか?
製品にとって、どちらの失敗が困るかで変わります。Full-Duplex-Bench v1 の作者が公開している表では、次のとおりです。dGSLM、Moshi、PersonaPlex(公開前の試作モデル)は0.5秒未満で答えましたが、合成音声に入れた間の58%から99%で割って入りました。GPT-Realtime、Gemini 3.1 Flash Live は、割って入る割合が、合成音声の間では1%から2%、実際の会話の録音にある間では10%から15%でした。返事までには0.57秒から1.47秒かかりました。この表には、両方を満たすモデルはありませんでした。最も近いのは Gemini 3.1 Flash Live(思考は最小設定)で、0.57秒と2%です。
日本語では、どの全二重モデルが良いですか?
モデルを並べて比べた数値で最もそろっているのは、Shizuku AI が自社で作り、6つのモデルで実施したベンチマークです。社外では同じ測定をまだ行えません。同社が全二重として扱った4つのモデルの中では、応答の内容は GPT-Live 1 が最も良い結果でした。ターンの交代は、6項目のうち5項目で Shizuku-Duplex が最も良い結果でした。Shizuku-Duplex は公開されていません。GPT-Realtime-2.1 と Gemini 3.8 Live は、全二重ではないモデルとして測られました。この2つは複数ターンの質問の正答率が96%と98%で、GPT-Live 1 の95%を上回りました。一方、ユーザーの相づちの間も話し続けた割合は0%と13%でした。公開されている日本語モデルの J-Moshi-ext と LLM-jp-Moshi-v1 は、複数ターンの質問の正答率が1%でした。
応答が最も速い全二重モデルはどれですか?
測り方と、誰が測ったかによって変わります。Full-Duplex-Bench v1 の作者が公開している表で最も短いのは、PersonaPlex の公開前の試作モデルの0.07秒です。このモデルは公開されておらず、数値は NVIDIA 自身の論文と同じです。公開されている PersonaPlex については、NVIDIA の論文が0.17秒と報告しています。作者の表にあるAPIの中では、Gemini 3.1 Flash Live(思考は最小設定)の0.57秒が最も短い結果です。OpenAI は同じベンチマークを自社で実行し、GPT-Live 1 を0.80秒と報告しています。各社が公表する遅延は測っているものが違うので、並べて比べられません。
自分で動かせる全二重モデルはどれですか?
データベースには、重みが公開されている全二重モデルが27件あり、このうち17件は商用利用できます。ライセンスとあわせて、「Full-duplex音声AIを使えるサービスとAPI」のガイドに一覧があります。
別々の論文の点数を比べてもよいですか?
同じ手順で測っている場合だけです。論文によっては、判定に使うモデルや、話す番を取ったとみなす発話の長さなど、ベンチマークのルールを変えています。そのためデータベースでは、測定ごとにタブを分けています。

更新日