国立情報学研究所（NII）の大規模言語モデル研究開発センターが 2026 年 2 月 25 日に公開した、日本語の音声対話モデル。フランスの Kyutai が開発した英語向けフルデュプレックス対話モデル「Moshi」（7B）をベースに、日本語の音声対話データで追加学習したもので、モデル名は LLM-jp-Moshi-v1。特徴は「同時双方向（フルデュプレックス）」で、ユーザーが話している最中でも「はい」「なるほど」といった相槌を返し、話者交代や間合いも人間同士の会話に近い形で処理する。Apache License 2.0 で公開されており、モデルの重みを含めて商用利用できる。Web サービスではなく、自分の GPU 環境で動かすオープンソースモデルという点が最大の性格を決めている。
主な特徴
- 同時双方向（フルデュプレックス）の音声対話: 「相手が話し終わってから応答する」ターン制ではなく、聞きながら話す構造を持つ。相槌・割り込み・話者交代が自然に起こり、会話のテンポが人間同士のやりとりに近づく
- 音声から音声への直接処理: 音声認識 → テキスト生成 → 音声合成という 3 段構えを経由せず、音声トークンを直接扱う。結果として応答の遅延が小さく、話し方の抑揚や感情のニュアンスが失われにくい
- 日本語の対話データで追加学習: ポッドキャスト対話データセット J-CHAT（約 6.9 万時間）で事前学習し、LLM-jp が収集した Zoom 上の雑談コーパス LLM-jp-Zoom1（約 1,000 時間）などで微調整している
- Apache License 2.0 で商用利用可能: モデル重み・テキストトークナイザ（日本語 SentencePiece）・音声トークナイザ（Mimi）が Hugging Face の
llm-jp/llm-jp-moshi-v1で公開されている - 先行モデル J-Moshi からの品質向上: NII の発表では、音声の明瞭性・自然性・意味的な適切さのいずれについても、既存の日本語 Moshi 系モデル J-Moshi を上回る評価が得られたとされる
- ローカル実行: 公式のインストール手順は Python 3.10 以上、VRAM 24GB 以上の Linux GPU マシンが前提。
python -m moshi.server --hf-repo llm-jp/llm-jp-moshi-v1で Web インターフェースが起動する
料金
| プラン | 料金 | 主な特徴 |
|---|---|---|
| オープンソース（Apache License 2.0） | 無償 | モデル重み・トークナイザを含めて公開。商用利用可。自前の GPU 環境で実行 |
料金は2026年8月時点の情報です。最新の情報は公式サイトをご確認ください。ホスティング型の有料 API は提供されていないため、実行に必要な GPU の費用は利用者側の負担になります。
メリット・デメリット
✅ メリット
- 相槌や話者交代を含む「同時双方向」の日本語対話を、商用利用可能なライセンスで手元に置ける
- 音声から音声への直接処理により、応答の遅延が小さく、話し方の質感が残りやすい
- モデルを自分の環境で動かせるため、音声データを外部のクラウドに送らずに済む
- 大学・研究機関が中心となって開発しており、学習データや評価結果が論文・発表資料の形で公開されている
⚠️ デメリット
- Web アプリやスマートフォンアプリではないため、GPU の用意と Python 環境の構築が必要
- 公式手順では VRAM 24GB 以上の Linux GPU マシンが前提で、macOS は対象外。手軽に試せる構成ではない
- 開発元自身が「プロトタイプ段階のモデルであり、不自然な応答をすることがある」と明示している
- 雑談を中心とした対話データで学習されているため、業務特化のタスク処理や事実の正確さを求める用途には向かない
- 音声の明瞭性や会話の継続性は今後の改善課題として挙げられており、現時点で製品水準の品質が保証されているわけではない
類似サービスとの比較
| 比較項目 | LLM-jp-Moshi | J-Moshi | Moshi（Kyutai） | OpenAI Realtime API |
|---|---|---|---|---|
| 提供元 | 国立情報学研究所（NII）ほか | 名古屋大学 東中研究室ほか | Kyutai（フランス） | OpenAI |
| 主な言語 | 日本語 | 日本語 | 英語 | 多言語 |
| 提供形態 | オープンソース（ローカル実行） | オープンソース（ローカル実行） | オープンソース（ローカル実行） | クラウド API（従量課金） |
| フルデュプレックス | 対応 | 対応 | 対応 | 対応 |
| ライセンス | Apache License 2.0 | 研究用途中心 | オープンソース | 商用 API 利用規約 |
| 実行環境 | VRAM 24GB 以上の Linux GPU | GPU 環境 | GPU 環境 | 不要（クラウド） |
こんな人におすすめ
- 日本語の音声対話システムを研究・試作したい大学や企業の研究者
- 音声データを外部に送信せず、社内やオンプレミス環境で対話 AI を動かしたい開発者
- 相槌や割り込みを含む「人間らしい会話のテンポ」を扱う仕組みに関心があるエンジニア
- 商用利用可能なライセンスで、日本語音声対話モデルのベースラインを探しているプロダクト開発者
- 音声対話の学術的な評価手法や学習データの作り方を学びたい学生
まとめ
LLM-jp-Moshi は、英語向けフルデュプレックス対話モデル Moshi を日本語に適応させたオープンソースモデルで、相槌や話者交代を含む自然な会話のテンポを、商用利用可能なライセンスで扱えるようにした点に価値がある。一方で、実行には VRAM 24GB 以上の GPU 環境が必要で、開発元自身がプロトタイプ段階と位置づけているため、そのまま製品に組み込む前提ではなく、まずは研究・検証の土台として捉えるのが現実的である。ホスティング型の音声 API と比べて手間はかかるが、データを外に出さずに日本語の同時双方向対話を試せる選択肢は貴重だ。