米Block社が開発した、音声データのみで直接学習した全二重(フルデュプレックス)の音声対話モデルです。音声認識によるテキスト化やテキスト生成モデルを介さず、音声の入力から音声を直接生成します。相手の発話を聞きながら同時に発話できるため、会話の途中での相槌や割り込み、発話速度の同期、笑い声や声色の抑揚といった非言語表現を保持した対話が成立します。主な対象は対話システムの研究者や音声インターフェースの開発者です。ローカル環境のMacBook Pro(M4 Max)上で実時間以上の速度で推論が動作する点を特徴とします。