日本語には日本語の2チャンネルデータが要る
Moshiは、話者ごとにチャンネルが分かれた約2,000時間の英語電話会話Fisherで、聞きながら話すことを学習しました (Défossez et al., 2024)。このタイミングは日本語にそのままは移りません。J-Moshiの論文の基準データでは、発話の重なりは1分あたり日本語が8.1秒、英語が3.3秒です (Ohashi et al., 2025)。別々のコーパスの数字なので、差は目安として見てください。
J-Moshiの著者は、日本語の会話は重なりと相づちが多いとする先行研究を挙げています。どの発話が割り込みで、どれがそうでないかをモデルが学べるのは、両者の声が別トラックにきれいに残っている場合だけです。学習データの一般的な条件は、fullduplex.aiの学習データのページにまとまっています。
日本語のFull-duplexモデルは何で学習したか
名古屋大学のJ-Moshiは、Moshiを3段階で日本語に適応させました (Ohashi et al., 2025)。
- 事前学習: J-CHAT。ポッドキャストとYouTubeの音声で約69,000時間です。J-CHATはモノラルのため、話者ダイアライゼーションをかけ、1人をMoshi側、残りをユーザー側のチャンネルに割り当てています。
- 実録の2チャンネル対話344時間での微調整: 旅行代理店タスク対話(Tabidachi)330対話115時間、所内の雑談対話コーパス500対話148時間、所内の相談対話コーパス100対話53時間、日本語CALLHOME 120対話16時間、CSJ 58対話12時間。
- 合成データでの拡張: J-Moshi-extは、マルチストリームTTSで生成した2チャンネル音声602時間を加えています。
所内の2コーパスは344時間のうち201時間を占め、公開されていません。J-Moshiの微調整データを公開資料だけで再現することはできません。
国立情報学研究所(NII)が2026年2月25日に公開したLLM-jp-Moshi-v1はApache 2.0で、商用利用できる初の日本語Full-duplexモデルとして発表されました (NII)。J-CHATで事前学習し、約1,000時間のZoom会話データLLM-jp-Zoom1で微調整しています。NIIはZoom1を近日公開予定としていましたが、2026年11月9日時点でHugging Face上には見つかりませんでした。経緯はfullduplex.aiの解説記事に詳しく書かれています。
学術コーパスは研究用途か有償が中心
| データセット | 形式 | チャンネル | 規模 | 音声 | ライセンス | 入手 |
|---|---|---|---|---|---|---|
| CSJ | 大半が独話、対話は約12時間 | 別ブース、ヘッドセットマイク | 全体658.8時間 | 16 kHz | 有償、商用区分は範囲が狭い | 国語研 |
| CEJC | 日常会話、2〜6人 | 主な話者ごとの録音機と中央のステレオ録音機 | 577会話、200時間 | 16 kHz | 有償、商用区分あり | 国語研と契約 |
| BTSJ | シナリオのない自然会話 | 記載なし | 514会話、127時間 | 記載なし | 教育と研究のみ | 同意後にダウンロード |
| CALLHOME Japanese | 台本なしの電話会話 | 2チャンネル | 120通話、約49時間 | 8 kHz | LDCの利用契約 | LDC |
| Tabidachi | ロールプレイ(旅行代理店と客) | J-Moshiでは2チャンネルとして使用 | 330対話、115時間 | 記載なし | 研究用途のみ | 無償、NII IDRに申請 |
| ATR 48k | ロールプレイ(旅行とホテル) | 発話単位のモノラルファイル | 47.28時間、562名 | 48 kHz | 商用ライセンスあり | ATR-Promotions |
CSJ(日本語話し言葉コーパス)は独話が中心で、対話は一部です。課題指向対話、自由対話、インタビューを合わせても658.8時間のうち約12時間で、頭部装着型の接話マイクで録り、16 kHzにダウンサンプリングされています (Maekawa)。商用区分の説明は「コーパスの統計情報を商用化する目的」で、料金ページはモデル学習に触れていません (CSJ料金)。学習に使う前に国語研へ確認してください。
CEJC(日本語日常会話コーパス)は、協力者が自分の日常生活の中で録った会話です。主な話者がそれぞれ内蔵マイクのICレコーダーを身に着け、公開ファイルはレコーダーごとの16 kHzモノラルと中央のステレオ録音です (CEJC音声)。近くにいる内蔵マイク同士は互いの声を拾うため、かぶりを確認してください。商用ライセンスは2年間10名までで50万円(税抜)からで、契約ページはAI学習に触れていません (CEJC契約)。
BTSJは、初対面の会話、友人同士の会話、論文指導の場面などを集めたコーパスで、1会話は20分程度です。514会話のうち音声付きは384会話です (国語研)。利用は教育と研究に限られます。
CALLHOME Japaneseは2026年1月15日に第2版が出ました。元の8 kHz音声を16-bit FLACに変換し、書き起こしも改訂されています (LDC2026S02)。商用利用の可否はLDCの会員条件によります。
Tabidachiは入手できる日本語ロールプレイの中で最大のもので、Zoomで収録されています。オペレーターは旅行代理店の経験者5名、客は55名で、うち20名は子どもです。IDRのページでは配布形式がMP4動画とJSONの注釈となっているため、申請時に音声の構成を確認してください (NII IDR)。民間企業の利用は個別に判断されます。
ATR 48kは1994〜1997年に収録されたロールプレイのコーパスです。話者は台本を読まず、会話プロットをもとに即興で話し、非対面で収録されています (ATR仕様書)。商用ライセンス(400万円、税抜)がある数少ないデータですが、前後に500ミリ秒〜1秒の無音を含む発話単位のモノラルファイルで納品されます。重なりのタイミングはセッションの時間軸に戻せるかどうかで決まるため、その点を問い合わせてください。
TTS向けと大規模Webデータは話者別チャンネルの実録ではない
| データセット | 内容 | チャンネル | 規模 | 音声 | ライセンス |
|---|---|---|---|---|---|
| STUDIES | 声優が講師と生徒の台本対話を演じる | 話者別、発話別 | 約8時間 | 48 kHz | 研究用途のみ、無償 |
| J-CHAT | ポッドキャストとYouTube | モノラル | 76,036時間 | 記載なし | 著作権法30条の4の情報解析のみ |
| ReazonSpeech | テレビ放送、音声認識向け | 放送の混合音声 | 35,000時間以上 | 記載なし | CDLA-Sharing-1.0、30条の4の範囲のみ |
| DuplexChat | 2話者のポッドキャスト | 音源分離による推定 | 132,723時間分の一覧 | 音声は配布なし | 一覧はMIT |
STUDIESは、声優が演じた日本語対話として最も整った公開データですが、新型コロナ対策のため話者ごとに別の日に収録されています (Saito et al., 2022)。実際の重なりは含まれません。コールセンター対話の追加分は、オペレーター側の音声だけです。
J-CHATは論文上の合計が76,036時間です (Nakata et al., 2024)。データカードは利用を著作権法30条の4の情報解析に限り、商用利用を認めていません (Hugging Face)。テレビ放送由来で35,000時間以上のReazonSpeechにも、同じ30条の4の制限があります (Reazon)。DuplexChatが公開しているのは日本語132,723時間分のURLと区間情報で、音声は含まれません。各自でエピソードを取得し、分離し直す必要があります。
商用データは仕様を自分のサンプルで確かめる
| データセット | 形式 | チャンネル | 規模 | 音声 | ライセンス |
|---|---|---|---|---|---|
| Nexdata 579時間 | テーマを与えた自由会話 | モノラルファイルと記載 | 579時間 | 48 kHz、32-bit | 有償、商用可、見積もり |
| SpeechData.ai | 2人の自発的な会話 | 話者ごとに1チャンネル | 500時間、50名 | 記載なし | 商用可、1時間$95 |
| MagicData Japanese Duplex | スマートフォンで録った2人の会話 | 話者別トラック | 10.35時間 | 16 kHz | CC BY-NC-ND 4.0 |
| Basis Conversations 1500 | 22言語の多人数通話 | 話者ごとに1トラック | 日本語42.7時間 | 48 kHz | 独自ライセンス、申請制 |
| otoSpeech Japanese | テーマを与えた自由会話 | 話者ごとに1チャンネル | 要相談 | 48 kHz | 要相談 |
| otoSpeech Role-Play | 設定場面を自分の言葉で | 話者ごとに1チャンネル | 要相談 | 48 kHz | 要相談 |
| otoSpeech Scripted | 同じセッションでの台本読み | 話者ごとに1チャンネル | 要相談 | 48 kHz | 要相談 |
ベンダーの仕様は自己申告です。Nexdataの579時間は、今回見つけた48 kHzの自由会話の中で最大の商品ですが、ページには形式がモノラルと書かれているため、話者とファイルの対応を確認してください。SpeechData.aiは価格を公開し、全話者から商用利用の同意書を得ていると書いていますが、サンプルレートは載っていません。MagicDataのデータは無償でダウンロードでき、商用利用はできません (MagicHub)。Basis Conversations 1500の日本語は51会話、62名で、データカードは付属の書き起こしを学習に使わないよう注意しています (Hugging Face)。
ロールプレイ、自由会話、台本読みでは学べることが違う
会話の形式はタイミングに表れます。阿部らは20秒あたりの重なりの回数を数え、LLM-jp-Zoom1の自由会話で5.54回、CALLHOMEで2.46回、Tabidachiのロールプレイで1.16回と報告しています (Abe et al., 日本音響学会 2026)。Tabidachiでは20秒あたりの発話単位が一方5.06、もう一方2.12で、話の大半をオペレーターが占めていました。ロールプレイのデータを選ぶときは、場面設定が2人とも話し続ける形になっているかを確かめてください。
otoも自社のサンプルクリップを同じ考え方で測りました。発話が重なる時間の割合は、自由会話19%、ロールプレイ10%、台本読み0%です (oto)。データを見せるために選んだ短いクリップの数字で、データセット全体の値ではありません。台本読みでは重なりの中でのターン検出は学べませんが、ターンが整っていて台本も正確なので、TTSには向いています。
サンプルレートが最も効くのはTTSです。Moshiの音声トークナイザーMimiは24 kHzで動くため (Ohashi et al., 2025)、Moshi系のモデルにとって48 kHzは使い切れない帯域で、8 kHzの電話音声は足りない帯域です。
otoが提供できるもの
- 3形式を同じ仕様で: otoSpeech Japanese、Role-Play、Scriptedは、2人が同じセッションで話し、それぞれ48 kHzの別チャンネルで収録されています。サンプルはoto.earth/ja/datasets/japaneseで聞けます。
- サンプルでの実測値: otoSpeech Japaneseの解説ページに、形式ごとの重なりと短い応答の数を載せています。
- ライセンス: 日本語データのライセンスは要相談です。otoのライセンスデータは音声1時間あたり$10〜$100で、ライセンスの範囲やターンテイキング注釈などのラベルで価格が上がります。
- 仕様に合わせた収録: 別の場面、話者条件、ターンテイキングのラベルに対応し、案件ごとに見積もります。連絡先はagent@oto.earthです。
音声AI向けデータ
サンプルと見積もりのご依頼
用途をお知らせいただければ、合うデータのサンプルと価格をお送りします。
よくある質問
J-Moshiはどの日本語データで学習したのですか?
事前学習はJ-CHAT、微調整は2チャンネル対話344時間で、Tabidachi、日本語CALLHOME、CSJと、そのうち201時間を占める名古屋大学の所内コーパス2種です。
商用利用できる無料の日本語Full-duplexデータセットはありますか?
話者別に実録したものは見つかりませんでした。MagicDataは非商用で、LLM-jp-Zoom1は2026年11月9日時点で未公開です。
CSJに2人の対話は入っていますか?
入っていますが、658.8時間のうち対話とインタビューは約12時間で16 kHzです。商用区分がモデル学習を含むかは確認が必要です。
J-CHATやReazonSpeechで商用モデルを学習できますか?
どちらも利用を著作権法30条の4の情報解析に限っており、J-CHATのデータカードは商用利用を認めていません。
ロールプレイのデータはFull-duplexの学習に向いていますか?
タスクの場面は加わりますが、Tabidachiは自由会話より重なりがずっと少なかったため、サンプルで2人とも話しているかを確認してください。
日本語の2チャンネル会話データはどこで買えますか?
oto、Nexdata、SpeechData.aiなどのベンダーから購入できます。各社にサンプルとライセンス文書を求め、チャンネル構成は自分で確かめてください。
データセット、ベンチマーク、モデルの一覧はfullduplex.aiのカタログをご覧ください。