スマートスピーカーに話しかけると、話し終わるまで律儀に待たれて、それから一拍置いて返事が来る。相づちの一つも返ってこないので、独り言を言っているような間が空く。2026年11月13日、学生中心のAI開発企業higurashiが、その間を感じさせない音声AI「Haru-4B」を公開した。話している最中に相づちを打ったり、割り込んで話し始めたりできる。しかも試すのに専用アプリは要らない。公式が用意した電話番号にかければ、今すぐ声で試せる。何がこの違いを生んでいるのかを、公開された資料から確かめた。
なぜ音声AIとの会話には間があるのか
SiriやAlexa、スマートスピーカーは、ユーザーが話し終えて沈黙したことを検知してから、ようやく自分の番として応答を組み立て始める。マイクで聞く作業と、声で話す作業が同時には走らない。これが「どうぞ」「はい次」と交互に手を挙げるような、順番待ちの会話になる理由だ。
人間同士の電話はそうなっていない。相手が話している途中でも「うん」「それで?」と相づちを挟めるし、言いたいことがあれば割り込める。聞くことと話すことが同時に進んでいるからだ。Haru-4Bが目指したのは、この同時進行を音声AIに持ち込むことだった。
電話番号にかけるだけで試せる全二重のAI
Haru-4Bは、higurashiが2026年11月13日に公式技術ブログで発表した、日本語を含む9言語に対応する音声対話AIだ。コードと重みはどちらもApache License 2.0でGitHubとHugging Faceに公開されている。日本語の全二重音声モデルは、英語ベースのMoshiに日本語データを追加学習したJ-Moshi・LLM-jp-Moshiが先に公開されている。Haru-4Bはそれに続く2番目のシリーズと、開発元自身が位置づけている。
試す方法はいくつも用意されているが、いちばん手間がかからないのは電話だ。higurashiの公式Xポストによると、次の番号にかけるとHaru-4Bと話せる。
- 050-5444-3154: 日本語・男性の声
- 050-5444-3155: 日本語・女性の声
この番号はGitHubのREADMEには書かれておらず、X上だけで案内されている。IP電話(050番号)のため、契約によっては通話料がかかる点は確認しておきたい。
GitHubにはWebブラウザで動かすデモサーバーもある。Apple siliconのMac向けネイティブアプリのビルド手順も載っており、アプリなしで試したくない人の選択肢になっている。公式ブログには日本語の経済雑談・子育て雑談、英語の投資相談という3本のデモ動画も公開されている。
新しいAIモデルの発表は、ベンチマークの数値を並べるところから始まることが多い。自分には、電話番号という一番手軽な入り口をいきなり出してきたことの方が目についた。インストールもアカウント登録も要らない導線を、Webデモやアプリと並べて複数用意している。性能を数値で語るより先に、触って確かめさせる見せ方だと感じた。
聞きながら話せる仕組み
この「割り込める」「相づちが打てる」という性質は、Haru-4Bの中身の処理の仕方から来ている。普通の音声アシスタントは、ユーザーの声を聞き終えてからAIの応答を作る、という順番で処理が進む。Haru-4Bは、ユーザーの声・AIの声・AIが話す内容のテキストという3つの流れを、133ミリ秒ごとに同じ時点のものとしてまとめて1つのAIモデルに渡す。公式技術ブログによれば、これを7.5Hz(1秒間に7.5回)の頻度で続けている。
聞く・話す・話す内容を考える、という3つの作業に順番を作らず、常に並行して処理し続ける。これが、ユーザーが話している最中でも相づちを打てたり、話を遮って応答を始めたりできる理由になる。音声も、よくある「候補の中から次の1個を選ぶ」離散的な処理ではなく、64次元の連続した数値の並びとして滑らかに生成している。
もう一つの利点が、公式ブログに書かれている。ユーザーの発話とAIの発話を交互に1列のトークン列として並べる方式だと、話が長くなるほどその列は長くなる。Haru-4Bは3つの流れを同じ時点にまとめてしまうため、同じ会話でも扱う長さが交互方式のおよそ3分の1で済むという。長い会話でも処理の負担が増えにくい、という設計上の利点につながっている。
4Bという小さいモデルに積まれた学習量
パラメータ数は4B(日本語で「40億」)と、最近の大規模言語モデルと比べると小さい部類に入る。先行するJ-Moshi・LLM-jp-Moshiは7Bのモデルに約7万時間の日本語データを追加学習したものだった。Haru-4Bが積んだのはその桁違いの量だ。公式技術ブログによれば、160以上の言語にわたる4,000万時間以上の音声で事前学習している。
全二重の会話を学習するには、2人分の声が別々のトラックに分かれた録音が要る。しかし世の中に出回っている会話の録音の多くは、1本のマイクで拾った1チャンネルの音声だ。そこでhigurashiは、1チャンネルの録音から2人分の声を分離・修復するモデル「FastDialogueSidon」を自社開発した。これを使い、1,300万時間以上の全二重の会話データを作った。2人分の声の時間を正確にそろえたデータで、中には60分に及ぶ会話も含まれている。
公式技術ブログが示す数字をまとめると、次のようになる。
- 事前学習に使った音声: 160以上の言語で4,000万時間以上
- 全二重データに変換した会話: 1,300万時間以上(最長60分の会話を含む)
- 学習の計算資源: NVIDIA B200 GPU 256基で約8日間(経済産業省・NEDOのGENIACおよびAWSが支援)
- 応答までの遅延: Apple M1 Max搭載MacBookで中央値65.2ミリ秒
クラウドの大型GPUを借りなくても、手元のノートパソコンで会話として成立する速さが出ている。
試す前に知っておきたいこと
ここまで読むと、よくできたアシスタントのように見えるかもしれないが、位置づけは違う。GitHub READMEやHugging Faceのモデルカードは、Haru-4Bを「研究用に公開された事前学習済みのベースモデル」と説明している。指示に従って用事を済ませるようには作られておらず、話している内容を事実の情報源として信頼することもできない。あくまで、人と話している感覚に近い会話を試すためのモデルだ。開発元自身も「応答の質には限界がある」と明記しており、他の音声AIとの性能比較データも公式には出ていない。
自分で動かす場合は、声やキャラクターも変えられる。GitHubのREADMEによると、3秒から3分程度のクリーンな音声クリップを参照として渡すと、その声で話すようになる。テキストでキャラクター設定を書けば、口調も変えられる。ただし参照音声の声を模倣できてしまうため、使ってよい声かどうかは利用者自身が確認する必要がある、とREADMEは注意している。
higurashiは今後の計画も示している。2チャンネルの実録音でモデルをさらに調整すること、カメラ映像も合わせて扱うオムニモーダル化を挙げている。加えて、100Bパラメータを超える大型モデルの事前学習に、すでに着手しているという。小さな4Bモデルで仕組みを確かめ、その先に規模を広げる計画のようだ。
まとめ
Haru-4Bは、ユーザーの声・AIの声・AIのテキストという3つの流れを133ミリ秒ごとに同時処理するAIだ。この仕組みで、話の途中への割り込みや相づちを可能にした、Apache 2.0のオープンな音声対話モデルになっている。研究用のベースモデルという位置づけで、指示をこなすアシスタントの代わりにはならない。それでも、4Bという小さなモデルに4,000万時間超の音声を学習させ、MacBook上でも65ミリ秒程度の遅延で動く。公式が用意した電話番号(050-5444-3154/3155)にかければ、アプリを入れずにその会話を今すぐ体験できる。
コメント
気づきや感想をどうぞ記事への補足や、読んで考えたことをお寄せください。個人情報や、他の人を傷つける内容の投稿はお控えください。
投稿にはGoogleログインが必要です。
Googleでログイン投稿にはGoogleアカウントの表示名が公開されます。メールアドレスは取得・公開しません。
コメントを読み込んでいます…