半二重の音声システムは順番に話します。ユーザーが話し終えるまで聞き、それから話します。カスケードは音声認識、言語モデル、音声合成を順に動かし、ユーザーが割り込むと話すのをやめるものが多くあります。全二重のモデルは、音声から音声を直接生成する1つのモデル（speech-to-speech）で、話しながら聞くことができます。そのため、すぐに答え、相手に話を譲り、「うん」と相づち（バックチャネル）を打てます。
同じやり取りを3つの方式で
下のタイムラインは、1つのやり取りをそれぞれの方式で再生します。AI が答えている間に「割り込む」を押すと、割り込まれたときに各方式がどう動くかを確かめられます。
話し続けます。割り込んだ声は聞かれません。
処理の遅れのあとで止まり、さらに間を置いて答えます。
すぐに止まり、短い間で答えます。
半二重: 話し続けます。割り込んだ声は聞かれません。 カスケード: 処理の遅れのあとで止まり、さらに間を置いて答えます。 全二重: すぐに止まり、短い間で答えます。
これらの用語は通信の分野から来ています。トランシーバーは一度に片方向だけを伝え、電話は両方向を同時に伝えます。このサイトでは、聞くことと話すことを同時に行う単一のモデルだけを「全二重」と表示します。割り込むと止まるカスケードも、部品が順に動くことに変わりはないので「カスケード」と表示します。
測定結果: 割り込み（バージイン）、相づち（バックチャネル）
比較表
| 半二重 | カスケード | 全二重 | |
|---|---|---|---|
| 応答時間 | 一定の長さの無音を待ってから、返答を始めます。 | 各段が前の段の処理を待ちます。よく調整されたカスケードでは全体で1秒前後になり、速い部品を組み合わせれば1秒未満にもできます。 | 報告されている中で最も良い測定値では約200ミリ秒です。Moshi の論文では、理論上160ミリ秒、NVIDIA L4 での実測で200ミリ秒です。 |
| 割り込んだとき | 返答を最後まで話し続けます。その間に話しかけても聞かれません。 | 多くは、VAD（音声区間検出）や割り込み検出が声を捉えた時点で話すのをやめます。 | 話しながら聞いているので、言葉の途中でも止まって応じられます。 |
| 相づち | 打ちません。聞いている間は音を出しません。 | 返答が始まるのはユーザーが話し終えたあとなので、標準では打ちません。相づち用のモデルを別に加えれば、相づちを入れられます。 | ユーザーが話している間に「うん」と返せます。ただし2026年のあるベンチマークでは、相づちが期待される場面で、大半のモデルはほとんど打ちませんでした。 |
| モデルが聞くもの | システムによって異なります。音声を直接入力として受け取る半二重のモデルもあります。 | 文字起こしです。音声が文字になる時点で、声の高さ、感情、話す速さは失われます。 | 音声そのものです。どのように話されたかも含みます。 |
| 作り方 | 最も単純な構成です。話し終えたかを1つのルールで判定し、多くの場合そのルールは無音のタイムアウトです。 | 音声認識、言語モデル、音声合成のサービスを組み合わせて作ります。各段の出力を確認できるので、デバッグしやすくなります。 | ホスティングされた API か、公開された重みを使います。自分で学習するには、話者別チャンネルで録音した会話が必要です。 |
| 部品の入れ替え | システムによって異なります。 | どの段も、別の音声認識、言語モデル、音声に置き換えられます。そのため、チームはすでに運用している部品を使い続けられます。 | 1つのモデルが聞いて話すので、部品単位では選べず、モデル全体を選ぶことになります。 |
方式が違うシステムの遅延の数値は測っているものが違うので、同じ種類どうしで比べてください。相づちの結果は DuplexAct によるもので、Signals 2026-W43（英語）で取り上げています。詳しく（英語）: From pipeline to integrated、Speech-to-speech AI, a primer
カスケード型とエンドツーエンド型
カスケードは音声を文字に変え、文字の上で処理し、答えを音声に戻します。エンドツーエンド型、つまり speech-to-speech モデルは、音声を受け取って音声を出し、その間に文字だけを扱う段を挟みません。文字起こしには言葉が残りますが、どう話されたかは失われます。後の段はどれも元の音声を聞かないため、カスケードの初めのほうで起きた認識の誤りは後から直せません。
カスケードはデバッグしやすく、正確さが最も重要な限られた分野では、音声認識を調整したカスケードのほうがタスクの成績で上回ることが今も多くあります。
speech-to-speech モデルがすべて全二重とは限りません。音声を受け取って音声を返しても順番に話すものがあり、データベースではそれらを「半二重」と表示しています。両者の中間にあたる設計もあります。たとえば、カスケードの上に小さなモデルを置き、話す、聞く、止まるを短い間隔で判断させるものです。From pipeline to integrated（英語）は、これらの設計を4つの系統に分けています。
四半期ごとのリリース
データベースにある会話用のモデル63件を、リリースされた四半期ごとに、会話の扱い方で積み上げて示しています。四半期を選ぶと、そのモデルの一覧が出ます。音声合成など「その他」に分類された7件は含めていません。
全二重：Amazon Nova 2.5 Sonic, Griffin-Lite, Grok Voice 3.0 (xAI Speech to Speech API), Phonic-1
カスケード：Cartesia Managed Agents, Eleven Realtime (v1 Mini / v1 Max), Mistral Voice Agents (Voxtral 3)
半二重：Apriel Voice 27B Preview, LFM3-Audio-2B / LFM3-Omni-2B, Rime Prism
データベースにある全二重のモデルのうち、2026年にリリースされたものは27件、2025年は8件です。グラフはデータベースに載っているものだけを数えているので、古いリリースは抜けている可能性があります。すべてのモデルはモデルの一覧で見られます。
使い分け
OpenAI の開発者向けドキュメントは、音声について2つの有効な道筋を示しています。1つは部品を順につなぐパイプラインで、安定して動き、デバッグしやすいものです。もう1つは speech-to-speech モデルで、より低い遅延とより自然な会話を目指します。
カスケードは、正確さが最も重要な限られたタスクに向いています。音声認識、言語モデル、音声の部品をすでに自前で運用しているチームや、各段階を確認する必要がある製品にも合います。優れた部品を持つチームなら、カスケードの上にターンの交代を判断するモデルを載せ、全体を学習し直さずに全二重の振る舞いの一部を得ることもできます。全二重のモデルは、割り込み、相づち、速い返答が重要になる自由な会話に向いています。
どちらを選ぶ場合も、割り込みと相づちは自分たちの通話で試してください。ターン交代のスコアが高くても、割り込みや相づちの出来はほとんど分かりません。
ガイド: ターン検出、割り込み（バージイン）、相づち（バックチャネル）、評価方法
よくある質問
- 割り込み（バージイン）に対応したカスケードは全二重ですか？
- 割り込んだときの動きは全二重に似ており、そう説明する製品も多くあります。ただし音声認識、言語モデル、音声合成は順に動いたままなので、データベースでは「カスケード」と表示しています。
- speech-to-speech と全二重は同じですか？
- 違います。speech-to-speech は、音声を受け取って音声を返し、その間に文字だけを扱う段を挟まないことを指します。全二重は、話しながら聞くことを指します。Moshi はその両方にあたりますが、speech-to-speech モデルの中には順番に話すものもあり、データベースではそれらを「半二重」と表示しています。
- カスケードと全二重のモデルでは、どちらが速いですか？
- 報告されている中で最も良い測定値では、全二重のモデルは約200ミリ秒で答え、よく調整されたカスケードは約1秒です。公表されている数値はそれぞれ測っているものが違うので、比べる前に測り方を確かめてください。
- 全二重のモデルはいくつありますか？
- データベースにある70件のモデルのうち、全二重は37件、カスケードは20件、半二重は6件です。残りは音声合成など、ほかの種類の音声モデルです。
更新日