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 Astra | 79.9% |
| Gemini 3.8 Live | Extended 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 Live | Extended 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-Realtime | 60% | 96% | 6.89秒 | 14% |
| Gemini Live 3.1 | 54% | 78% | 4.25秒 | 19% |
| Gemini Live 2.5 | 49% | 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% |
| Grok | 43% | 94% | 6.65秒 | 26% |
| Ultravox v0.7 | 41% | 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 |
| Moshi | 0.27秒 | 99% | 98% | 94% | 0.26秒 |
| dGSLM | 0.35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-Omni | 0.95秒 | 64% | 48% | 34% | 1.41秒 |
| Gemini 2.0 Flash Live | 1.30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-Omni | 72% | 1.42秒 | 80% | 25% |
| Moshi | 50% | 1.16秒 | 6% | 7% |
| Gemini 2.0 Flash Live | 33% | 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。
| モデル | 結果 | 出どころ |
|---|---|---|
| GPT-Live 1 | 0.80秒 | OpenAI 自身の発表 |
| OpenAI Realtime (gpt-realtime-2.1) | 1.41秒 | OpenAI 自身の発表 |
| Qwen-Audio Realtime (3.0 / 3.1) | 1.92秒 | Alibaba Cloud 自身の論文 |
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
- 対応言語、料金、提供の形: Full-duplex音声AIを使えるサービスとAPI。
- 重みが公開されたモデル(データベースに27件、うち商用利用できるものは17件): 自分で動かせる公開モデル。
- 音声認識、言語モデル、音声合成をつないだカスケード構成で足りるかどうか: Full-duplex音声AIと従来の音声AIの違い。
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