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。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「Moshi (全二重音声モデル)とは」 https://aipicks.jp/glossary/moshi
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。
