Shizuku-Duplex 是什麼？日語全雙工語音 AI 的官方評測怎麼看
Shizuku-Duplex 官方稱是專為 AI 角色打造的全雙工語音模型。本文白話解釋全雙工、80 毫秒一拍的設計、與 GPT-Live 的自評比較，以及權重與 API 尚未公開的限制。
Shizuku-Duplex 是 Shizuku AI 在 2026 年 11 月 8 日發表的日語語音對話模型，官方在 X 上稱它是專為 AI 角色打造、全球首個全雙工的音訊合成模型。
全雙工指的是模型能一邊聽一邊說，像電話兩端的人可以同時開口，不必等對方講完才輪到自己。
但「世界第一」是官方自己的說法，同一天發布的技術部落格寫得窄得多：除了 OpenAI 的 GPT-Live，它是第一個能做聰明日語對話的全雙工模型。
部落格也列出 J-Moshi、LLM-jp-Moshi 等先行模型，所以這個「第一」只在限定範圍內成立，不能直接當成客觀結論。
這件事值得看，是因為語音 AI 的好壞已經不只看答得對不對，也看接話的節奏。模型若總要等你說完才開口，就做不到附和與插話，陪伴型產品很難讓人覺得有人在聽。
官方在自己建立的日語基準上，宣稱六項輪流說話的指標中有五項是全雙工模型裡最好的，但回答內容的品質仍落後 GPT-Live。
截至 2026 年 11 月 9 日，本文查到的資料只有官方網站、技術部落格、示範影片與 X 貼文，沒有第三方獨立評測，也沒有公開的權重或 API，所以文中的數字都當成官方自評來讀。
我會把它當成一份細節不少的自評公告，適合想追日語語音 AI 走向的人，還不適合拿來當採購或導入的依據。要判斷這個「第一」站不站得住，得先看官方到底說了什麼。
Shizuku-Duplex 的「世界第一」，官方到底怎麼說？
官方在兩個地方用了不同強度的說法，X 貼文的範圍最廣，技術部落格的範圍最窄。
X 貼文把它稱為專為 AI 角色打造的「world's first full-duplex audio synthesis model」，後面接著邀請讀者看這些模型如何為自然的人機互動而建。
技術部落格則改稱它是日語全雙工對話模型，並寫明除了 GPT-Live 之外，它是第一個能做聰明對話的日語全雙工模型。
兩段話的差別在於範圍。部落格把「第一」限定在日語、限定在「聰明對話」，還把 GPT-Live 排除在外，貼文卻沒有這些條件。
部落格自己也說，日語已有 J-Moshi 與 LLM-jp-Moshi 這兩個全雙工模型公開，只是日語的聰明對話仍是未解的難題。
其中 J-Moshi 的論文稱它是第一個公開的日語全雙工口語對話模型，所以先行者確實存在。
另一個限定出現在註腳。官方說「據我們所知」，它是除 GPT-Live 以外第一個能呼叫工具的日語全雙工模型，用語比正文更保守。
所以本文只把「世界第一」寫成官方自稱，並以部落格較窄的版本為準。這個「第一」要成立，還得先弄清楚全雙工到底是什麼。
全雙工和一般語音 AI 差在哪？
全雙工模型的差別在於聽與說同時進行，一般語音助理則是輪流進行。
官方說，過去多數語音 AI 採用串接式設計，把語音辨識、大型語言模型與語音合成接成一條流水線。語音合成就是把文字轉成人聲。
這條流水線要先偵測使用者說完了，才一步一步處理，所以使用者得等回應，也沒辦法中途插話，更聽不到「嗯嗯」這類附和聲。
全雙工模型一邊聽一邊說，這些時機由模型自己處理。OpenAI 的 GPT-Live 模型卡也用「可以同時聽與說」描述自己，因此這是同一類技術。
官方示意圖用京都旅遊當例子：串接式要等使用者問完「有推薦的地方嗎」才回答嵐山，全雙工則在使用者說話時就先附和，問題一結束就能接話。這是官方示意，不是本站實測。
官方的示範影片分成五種行為：邊聽邊附和、不等安靜就回應、被插話時停下、被附和時繼續說、邊說邊查資料。影片是用 Shizuku 角色設定的通話錄影。
這五種行為都需要模型在對方說話時持續運算，所以官方把「每 80 毫秒就要完成一次運算」當作前提。接話的節奏靠什麼做到，要看它的運作方式。
Shizuku-Duplex 怎麼運作？80 毫秒一拍與前後台分工
Shizuku-Duplex 把時間切成 80 毫秒一拍，並把「即時接話」與「查資料思考」交給兩個模型。
每 80 毫秒一拍，邊聽邊寫內心獨白
官方說，模型每一拍都聽使用者的聲音，也產生自己的聲音。它會比語音稍早一步，把即將要說的內容寫成文字，官方稱這段文字是「內心獨白」。
不論自己在說話還是沉默，模型都持續聽著對方，所以由它自己決定何時開口、何時安靜。
每一拍必須在 80 毫秒內算完。官方說靠 TensorRT 與 Triton kernel 等核心層優化達成，核心層優化指的是重寫最底層的運算程式，讓每一拍算得更快。文章沒有說明使用的硬體。
前台負責聊天，後台負責查資料
查資料、深入思考與呼叫工具很難在對話的同時完成，所以官方把系統拆成互動模型與背景模型。
互動模型負責即時對話。背景模型以非同步方式處理困難請求，並能使用網頁搜尋等工具。
互動模型遇到需要查詢的事，會輸出特殊的 DELEGATE 標記，把請求交給背景模型，等結果回來再用自己的話轉述。
官方示範的京都預算題，網頁搜尋花了 7.1 秒，這段時間互動模型仍繼續跟使用者聊天。
官方在註腳承認，這種讓 LLM 在語音模型背後非同步補充知識的設計，KAME 與 Thinking Machines Lab 的 Interaction Models 已經提出過，所以前後台分工本身不是 Shizuku 首創。
底層是以大型語言模型為基礎的 Transformer，輸出分成聲音、文字與動作三種。動作用來挑選 Live2D 角色的動作，讓角色說話時搭配肢體表現。
長對話靠摘要重建上下文
全雙工模型連沉默時上下文也會增加，官方引用的研究指出，對話越長，回應品質越容易下降。
Shizuku-Duplex 約每五分鐘把對話摘要一次並重建上下文，官方說這個切換在單一拍內完成，所以對話不會中斷。
官方部落格沒有附上長時間對話的測試結果，截至 2026 年 11 月 9 日，這項能力只有設計說明。設計說完了，實際表現還是得看官方自己的評測。
Shizuku-Duplex 的評測：輪流說話領先，回答品質落後 GPT-Live
官方的數字顯示，Shizuku-Duplex 在輪流說話的指標領先同類全雙工模型，但回答內容與問答正確率低於 GPT-Live。
官方認為現有的日語全雙工基準沒有公開日語評測資料，所以自己建了一套。情境與指標改編自英文的 Full-Duplex-Bench，閒聊與問答題改編自 M3-DuplexBench。
為了證明自建基準可信，官方用同樣方法建了英文版，拿來測 GPT-Live，結果和 OpenAI 公布的 Full-Duplex-Bench 分數相符。
比較對象有三個全雙工模型：GPT-Live-1、J-Moshi-ext 與 LLM-jp-Moshi-v1。官方另外測了非全雙工的 GPT-Realtime-2.1 與 Gemini 3.8 Live，當作參考。
模型輸出的語音先轉成文字，內容再由 Claude Opus 5.5 擔任評審打分。下表是官方圖 1 的部分數字，箭頭代表越高或越低越好。
| 指標 | Shizuku-Duplex | GPT-Live-1 |
|---|---|---|
| 對方停頓時搶話的比例（越低越好） | 2% | 4% |
| 被插話後 2 秒內停下（越高越好） | 89% | 82% |
| 使用者附和時反而沉默的比例（越低越好） | 5% | 12% |
| 回合結束判斷中提早開口的比例（越低越好） | 10% | 3% |
| 聽到不是對自己說的話仍回應（越低越好） | 83% | 97% |
| 回合結束後的回覆品質（1 至 5 分） | 2.6 | 4.0 |
| 閒聊切題度（1 至 10 分） | 6.5 | 8.5 |
| 閒聊自然度（1 至 10 分） | 6.2 | 7.6 |
| 多輪問答正確率 | 79% | 95% |
| 需上網查詢的題目正確率 | 43% | 50% |
表中 Shizuku-Duplex 勝出的集中在輪流說話：停頓時不搶話、被插話會停下、被附和時不沉默。提早開口、回覆品質與問答正確率則都低於 GPT-Live。
官方文字說，六項輪流說話指標中有五項是全雙工模型裡最好的，唯一沒有拿到最好的是「提早開口」。
聽到不是對自己說的話仍回應的比例，Shizuku-Duplex 是 83%，雖然比 GPT-Live 的 97% 低，仍代表多數情況下它還是會接話。
從使用者說完到開始回覆的中位時間，Shizuku-Duplex 是 0.57 秒，GPT-Live 是 0.53 秒。這兩者用伺服器端錄音量測，不含網路往返。
GPT-Realtime-2.1 是 1.61 秒，Gemini 3.8 Live 是 1.27 秒，但這兩者用本機播放時間戳量測，含網路往返，與前兩者的量法不同。
官方還稱，日語對話的自然度在六個模型中最好。但文章沒有說明這句話對應哪一項指標，而圖中閒聊自然度的評審分數，Shizuku-Duplex 的 6.2 低於 GPT-Live 的 7.6，所以本文不採用這句話。
整組數字還有三個限制：基準由官方自建，評審是另一個 AI，文章沒有列出各項題數。文章也沒有說這個日語基準是否公開，外界因此不容易重跑。這些數字能支持到哪裡，取決於還有什麼沒公開。
Shizuku-Duplex 能用嗎？公開與未公開的範圍
截至 2026 年 11 月 9 日，官方公開的是技術部落格、六支影片與 X 貼文，本文查閱的頁面沒有提供權重下載、API 或試用入口。
文章也沒有列出參數量、底層用的是哪一個 LLM、訓練資料規模、硬體與價格，所以無法判斷它的成本，也無法自行複現。
影片是以 Shizuku 角色設定錄下的通話，不是公開試玩，也不代表商用服務已經上線。
官方說自己的目標與 GPT-Live 不同：GPT-Live 設計成幫使用者解決問題的聰明助理，Shizuku 則想做能一起生活、並在互動中成長的 AI 陪伴。這是公司對自己路線的說明。
官方預告的下一步是加入視覺輸入，並支援其他語言。官方部落格只提供日語的評測數字，其他語言的表現截至 2026 年 11 月 9 日還看不到數據。
對想做日語陪伴角色、虛擬主播或語音互動產品的團隊，這份文章提供了一種把接話節奏與查資料拆成兩個模型的設計參考。若需要可驗證的效果或馬上能串接的服務，截至 2026 年 11 月 9 日的公開資料還不夠。
Shizuku-Duplex 常見問題
Shizuku-Duplex 真的是世界第一嗎？
這是官方自稱，並沒有獨立查證。X 貼文的說法最廣，技術部落格則把範圍限縮為除 GPT-Live 之外、第一個能做聰明對話的日語全雙工模型，而且部落格自己就列出了 J-Moshi 等先行者。
全雙工和一般 AI 語音有什麼差別？
全雙工模型可以邊聽邊說，所以能附和、被插話時停下，也能在你說完前就開始準備回答。一般串接式語音 AI 則是先偵測你說完，再依序做辨識、思考與合成，因此有等待時間。
可以下載或串接 Shizuku-Duplex 嗎？
截至 2026 年 11 月 9 日，本文查閱的官方頁面沒有提供權重、API 或試用入口，只有示範影片與技術說明。若官方之後公布，應以官方頁面為準。
Shizuku-Duplex 比 GPT-Live 好嗎？
官方自己的評測顯示不是全面更好。輪流說話的多數指標 Shizuku-Duplex 領先，但回覆品質、問答正確率與提早開口的比例都是 GPT-Live 較好。
延伸閱讀：GPT-Live 是什麼？ChatGPT 新語音模式功能、用量與限制完整解析
延伸閱讀：PersonaPlex 語音 AI 解析：NVIDIA 邊聽邊說模型，客服導入前要測什麼
結語：先把 Shizuku-Duplex 當成官方自評案例
Shizuku-Duplex 最有參考價值的地方，是把接話節奏交給即時模型、把查資料交給背景模型，並在輪流說話的指標上對 GPT-Live 做了具體比較。
但「世界第一」只是官方自稱，評測由官方自建、AI 評審打分，也沒有公開權重或 API，所以它還不能當成已被外界驗證的結論。
我會建議做日語陪伴角色或語音互動產品的團隊先看這份技術部落格與影片，把它當作設計靈感。需要可驗證數據、價格或現成服務的團隊，則應等官方開放試用或第三方測試出現再評估。想把它放進同類模型的脈絡，可以接著看上方的延伸閱讀。
