Moshi (全二重音声モデル)
読み: もし
最終更新: 2026-07-14・AI PICKS編集部
定義
Moshiとは、フランスのAI研究所Kyutaiが開発した、人間の会話のように相手の発話を遮ったり被せたりしながら同時に聞き話せる全二重(フルデュプレックス)音声対話AIモデルのこと。
Moshi (全二重音声モデル)とは — 詳しく解説
Moshiとは、フランスのAI研究所Kyutaiが2024年に公開した、テキストと音声トークンを同一のTransformerで同時に扱う全二重音声対話モデルのこと。従来の音声アシスタントは音声認識→LLM推論→音声合成を順番に処理するため発話後に数百ミリ秒以上の間が生じるが、Moshiは聞く処理と話す処理を並行実行し、相手の発話に被せて相槌を打つなど人間同士の会話に近い応答速度を実現するとされる。専用の音声コーデックで音声をトークン化して圧縮しつつ品質を保つ設計が特徴で、重みが公開されているため自社サーバーや端末上でも動かせる点が評価されている。ただし2026年時点の実運用では、英語・フランス語以外の言語、特に日本語での発話理解や自然さはOpenAIやGoogleの商用リアルタイム音声APIに劣るとされ、現場では用途に応じた比較検証が欠かせない。コスト面では重み自体は無料でも、常時双方向でGPUを占有するため推論インフラの相場感は通常のテキストLLMより高くなりやすく、社内データを外部に出したくない場合の自己ホスト選択肢として選ばれることが多い。
Moshi (全二重音声モデル)の使用例
- 音声チャットで相手の発話に被せて相槌を打たせ、人間同士のような会話テンポを再現するデモに使う。
- コールセンターの応答実験で、ユーザーが話している途中に割り込んで訂正しても自然に応答を継続させる用途。
Moshi (全二重音声モデル)に関連するAIツール
関連用語
「音声・音楽」の他の用語
AI 音楽生成サービス。 歌詞 + ジャンル指定で 完成楽曲を 1 分で生成。
OpenAI のオープンソース音声認識モデル。 99 言語対応、 日本語精度も高い。
AI 音声生成のトップサービス。 自分の声をクローンして 多言語ナレーションに使える。
TTS（音声合成）とは、テキストデータを人間らしい音声に変換するAI技術のこと。ナレーション・コールセンター・音声UIなど幅広い用途で使われ、2026年現在は人間と聞き分けにくい品質が標準となっている。
ASR（自動音声認識）とは、人間の音声をリアルタイムまたは録音データからテキストへ自動変換する技術のこと。Whisperなどの深層学習モデルの普及により、文字起こし・音声コマンド・翻訳など幅広い用途で活用される。
ボイスクローンとは、数秒〜数分の音声サンプルから特定人物の声質・話し方・抑揚を高精度に再現するAI音声合成技術のこと。
AI用語辞典をすべて見てみませんか
12カテゴリ・552語以上を体系的に整理しています
辞典トップへ