名古屋大学大学院情報学研究科の東中 竜一郎教授の研究グループは、「はいはい」、「うんうん」など相づちを打ちつつ相手の話を聞きながら話すことのできる、世界初の日本語で利用可能なFull-duplex音声対話モデル「J-Moshi」を開発した。「J-Moshi」のサンプル音声も公開されている。

「J-Moshi」は、人工知能（AI）の音声対話性能を飛躍的に高め、まるで人間のような音声対話を実現する。雑談や接客など、さまざまな場面での利用が期待されるとしている。

人間同士の対話における発話のオーバーラップや相づちなど、同時双方向的な特徴をモデル化できるFull-duplex音声対話システムは、近年注目を集めている。しかし、日本語においてこうした音声対話システムはほとんど見られず、開発に関する知見が不足しているのだという。

「J-Moshi」は、ユーザーが話している間でも発話や「はいはい」、「うんうん」などの相づちが可能。英語における7BパラメータのMoshiをベースとし、日本語の音声対話データでの追加学習によって構築された。人間同士の対話におけるような自然なターンテイキングをリアルタイムに実現する。

J-Moshiのサンプル音声はこちら

ニュースリリースはこちら

プレスリリースはこちら（PDF）

Top Image : © 名古屋大学大学院 情報学研究科