Shizuku AI 推出全双工语音模型 Shizuku-Duplex
Shizuku AI 于 11 月 8 日发布 Shizuku-Duplex，以 80 毫秒 tick 边听边说；厂商自测回复中位数为 0.57 秒，未计网络。
日本 Shizuku AI 于 2026 年 11 月 8 日发布 Shizuku-Duplex，一款面向日语实时对话的全双工语音模型。它以 80 毫秒为一个处理 tick，目标是在用户还没说完时继续听、适时附和或开始回应。这里的 80 毫秒指模型处理节拍，并非用户说完到收到回答的总延迟；厂商另报的回复中位数是 0.57 秒，来自不含网络往返的自测。
要点
- Shizuku-Duplex 将音频处理拆成 80 毫秒一拍，并尝试在听用户说话的同时生成语音。
- 厂商称，其日语基准中，模型在全双工系统的六项轮次处理指标里有五项排名第一；这是厂商自测结果。
- 同一测试也暴露边界：用户被打断后，模型在 2 秒内停止的比例为 89%；对“用户在和别人说话”及背景语音的避免插话率分别只有 17% 和 25%。
背景
传统语音助手往往把语音识别、语言模型和语音合成排成一条接力管线：先等用户说完，再把声音转成文字、生成答案，最后念出来。这种拆分便于替换各环节，却会把语气压进转写文本，也让轮次切换带上等待。全双工系统把难题往前推了一步：它既要在合适时机回应，也要判断什么时候应该保持安静。
我们此前报道的 MAI-Transcribe-2-Streaming 优化的是流式转写；Block 的 Dessa 则是另一款全双工语音到语音模型，关注点包括训练路线和本地运行。它们提供了理解语音产品路线的参照，但并非与 Shizuku-Duplex 同一套评测下的直接排名。Shizuku AI 把重点放在双向交互节奏、插话处理和日语对话质量，并称复杂请求可以由后台模型异步处理。
事实部分
Shizuku AI 描述的主干是一个基于 LLM 的 Transformer：模型每 80 毫秒处理一拍音频特征，同时产出语音、文本形式的 “Inner Monologue” 和动作信息。公司称，工程目标是让每一拍的计算在下一个 80 毫秒窗口前完成，并使用 TensorRT 与 Triton kernel 做优化。这个节拍能说明系统的处理设计，不能单独证明用户侧延迟只有 80 毫秒。
架构还分出一个异步后台模型，处理较复杂的问题和网页搜索。交互模型不用等后台工作结束，可以继续对话，再利用搜索结果补充回答。长对话约每五分钟会被压缩总结一次，厂商称切换上下文能在一个 tick 内完成。官方博客没有说明公开 API、权重下载、定价或排队申请方式，因此开发者目前不能仅凭这篇公告确认如何接入。
厂商博客给出的部分评测口径如下：
| 指标 | 厂商报告 | 口径与限制 |
|---|---|---|
| 处理节拍 | 80 毫秒 / tick | 每拍音频处理与生成窗口，不是端到端回复延迟 |
| 轮次回复 | 中位数 0.57 秒 | 用户说完到模型回复；服务器录音测量，不含网络往返 |
| 被打断后停止 | 89% | 被用户打断后在 2 秒内停止发声的比例 |
| 避免误插话 | 17% / 25% | “用户在和别人说话”时不接管为 17%；背景语音时不接管为 25% |
该基准包含 Shizuku-Duplex、GPT-Live、J-Moshi-ext、LLM-jp-Moshi-v1、GPT-Realtime 和 Gemini Live。厂商称模型在六项轮次处理指标中五项位居全双工模型第一，但对话质量排在 GPT-Live 之后。日语测试由团队整理，语音转写使用 Haas-ja-v1.0，内容评分使用 Claude Opus 5.5。官方博客称 M3-DuplexBench 与 Full-Duplex-Bench-JA 的日语评测数据未公开；Shizuku 团队自建评测数据是否公开，博客没有说明。延迟横向比较也不完全同条件：Shizuku-Duplex 与 GPT-Live 的数据不含网络往返，而 GPT-Realtime 与 Gemini Live 的 API 测量包含网络因素。
各方说法
PC Watch 于 11 月 9 日报道了模型的 80 毫秒 tick、TensorRT / Triton 优化和 0.57 秒回复中位数，并把它解释为能边听边说、处理附和与打断的交互架构。GIGAZINE 同日介绍了网页搜索进行期间先给出简短回答、再补充搜索结果的工作方式，以及对话历史压缩。两篇报道均介绍厂商发布内容，没有披露自己复现实验或独立测试。IT之家也转述了发布信息，并提到 AI 伴侣“雫”的应用方向，但没有给出六模型评测的执行者或方法。
因此，目前主要依据厂商博客与两家日本媒体。媒体报道可以帮助核对产品描述和发布时点，却不能替代对数据集、打分过程和网络条件的外部复测。官方博客说明 M3-DuplexBench 与 Full-Duplex-Bench-JA 的日语评测数据未公开；对于 Shizuku 团队自建基准的数据公开状态，材料没有说明。在我们查到的材料中，没有第三方复现实验可以验证榜单名次。这里的排名、延迟和打断率都应读作厂商自测，而非独立结论。
编辑判断
对 AI 伴侣、语音角色和实时客服来说，“边听边说”只有在模型知道何时闭嘴时才有用。89% 的两秒内停声率说明它能处理一部分明确打断；但“用户在和别人说话”时避免接管只有 17%，背景语音场景也只有 25%。这组数值提醒产品团队把插话礼貌、多人环境和电视声干扰单独列入测试集，而不要只听一段安静环境下的演示。
Shizuku-Duplex 的工程方向值得关注：一条低延迟交互回路负责维持自然对话，另一条异步路径查找复杂问题的答案。它可能适合需要持续互动的语音产品原型，但目前没有从公告确认的公开 API 或权重，也没有公开日语评测数据。现在可核对的是设计和厂商自己的结果；要判断真实体验，还需要公开测试材料、同条件的网络延迟测量，以及外部团队在多人和噪声场景下的复现。