Dessa vs Gemma 4 12B：2つのラップトップモデル、ダウンロードできるのはどちらか一方だけ

の最も有用な比較はDessaとGemma 4 12Bベンチマークスコアではない。それはファイルだ。Gemma 4 12B は、Google DeepMind の 119.5 億パラメータのオープンウェイトモデルで、公開名はGemma 4 12B Unified。Apache 2.0 の下で2026年6月3日に公開された——今日の午後にはダウンロードでき、16 GB のノートPCで実行でき、誰にも許可を求めずに微調整できるチェックポイントだ。Dessa は、Block が2026年10月23日に発表した全二重音声モデルで、メーカーによれば MacBook Pro M4 Max で動作するが、ダウンロードも呼び出しも検査もできない。順番待ちリストの後ろにあり、重みも API も価格も、公開されたパラメータ数もない。

どちらもローカルモデルとして販売されている。実際に配布されているのは、そのうちの一方だけだ。この区別がほかのすべてを整理する。何を作れるか、何を測定できるか、そして「ラップトップで動く」とはそもそも何を意味するのか。

短い答え、そしてそれが短い理由

今四半期に、テキスト、画像、音声、動画を処理する何かを出荷することが目標なら、Gemma 4 12Bは2つのうち、実際に使える製品である唯一のものです。全二重音声——話しながら聞き、口を挟み、遮られても文脈を失わないモデル——を研究することが目標なら、Dessaはより興味深い成果物ですが、まだ手に入れることはできません。

それは切り捨てのように聞こえる。実際には、成熟度の異なる2つの段階についての説明に近い。Gemma 4 12Bは、ライセンス、モデルカード、ベンチマーク表を備えた完成済みのオープンリリースだ。Dessaはデモ映像を伴う研究プレビューだ。両者を能力で比較するのは、出荷済みのカメラと実験室の試作品を比べるようなものだ。試作品の方が優れたセンサーを積んでいるかもしれないが、残せる写真を撮れるのはどちらか一方だけだ。

「local」の2つの意味

Gemma 4 12Bのローカルでの話は具体的だ。これはデンスなデコーダーのみのモデルで、エンコーダー不要の統合アーキテクチャを採用している。48層で、画像パッチは直接射影され、音声は別個のエンコーダーなしで処理される。Googleはこれを約16GBの統合メモリ向けと位置づけており、重みはHugging FaceにBF16で公開され、GGUFやMLX、その他のコミュニティビルドが続いている。オフラインで、飛行機内でも、アカウントなしで実行できる。

Dessaの「ローカル」という話は、ページに書かれた一文にすぎない。推論はMacBook Pro M4 Max以上ならリアルタイムより速く動く、という。メモリの数値も、量子化も、ファイルサイズも、ダウンロードもない。その主張は完全に真実かもしれない。だが外部から反証することもできない。ベンダーの投稿で「ローカルで動く」と言っても、「あなたのマシンで動かせる」ではなく「当社の研究者がノートPCでデモした」という意味になり得るからだ。重みファイルかインストーラーが存在するまでは、正直な読み方は前者だ。

人は聞き、人は会話する

アーキテクチャ上の違いは、パラメータ数の差よりも際立っている。Gemma 4 12Bはマルチモーダルなリーダーだ。テキスト、画像、音声、動画を入力し、テキストを出力する。音声入力は1クリップあたり最大30秒、動画入力は毎秒1フレームでおよそ60秒に制限されている。その範囲内で、文字起こし、翻訳、描写、録音についての質問への回答、構造化データの抽出ができる。つまりこれは、世界の限られた一片をテキストに変えることに極めて優れている。

Dessaは会話型ストリームです。音声入力、音声出力で、テキスト段階が一切ありません。検査できるトランスクリプトも、トークン境界も、独立した合成ステップもありません。Blockの主張は、これにより音声認識→テキスト→音声合成のパイプラインでは平坦化されてしまう韻律、笑い、ため息、タイミングが保たれるというものです。そのデモでは、モデルが文中で笑い、音量を合わせ、話者が忘れた映画のタイトルを言い終える様子が示されています。

実用上の帰結として、両モデルはAPIレベルでは代替できない。DessaにPDFを送ることはできない。Gemma 4 12Bには回答の途中で中断するよう求められない。中断すべき音声ストリームを生成しないからだ。Gemmaで構築する音声製品には少なくともさらに2つのコンポーネントが必要であり、Dessaで構築する文書製品はまったく不可能だ。

仕様書（両面を同じ行に配置）

以下の数値は、別段の記載がない限りベンダー報告によるものです。Gemmaの数値はGoogleのモデルカードに、Dessaの数値はBlockの発表ページに由来していますが、後者ははるかに少ない情報しか公開していません。

• パラメータ — Gemma 4 12B 11.95B dense 対 Dessa 非公開。

• 重み — Gemma 4 12B は Apache 2.0 でダウンロード可能、Dessa は未公開。

• コンテキスト — Gemma 4 12B は 262,144 トークン、一方 Dessa は明記されておらず、それを比較測定するためのトークンインターフェースもありません。

• 入力 — Gemma 4 12B：テキスト、画像、最大30秒の音声、約60秒までの動画 vs Dessa：ライブ音声ストリーム。

• 出力 — Gemma 4 12B のテキスト vs Dessa の音声。

• インタラクション — Gemma 4 12B のターン制リクエストと応答 対 Dessa の全二重（バージインと相槌あり）。

• ハードウェア — Gemma 4 12B は統合メモリ約 16 GB が必要なのに対し、Dessa には MacBook Pro M4 Max 以上が必要（Block による）。

• 価格 — Gemma 4 12B は無料でダウンロード可能。サードパーティプロバイダーでのホスト料金は、100万トークンあたり入力約$0.10、出力約$0.30程度に集約されているのに対し、Dessaは価格なし。

• ベンチマーク — Gemma 4 12B はベンダー公開の表あり、Dessa はなし。

• 提供状況 — Gemma 4 12B は 2026 年 6 月から一般提供されていますが、Dessa はウェイトリスト制で、安全性研究者向けの小規模なプレビューにとどまっています。

Gemma 4 12Bがデフォルトで勝る場面

Googleが公表した数値から始めましょう。いずれもベンダー報告によるもので、ここでは再現されていません。MMLU-Pro 77.2、GPQA Diamond 78.8、AIME 2026 77.5（ツールなし）、LiveCodeBench v6 72.0、Codeforces Elo 1659、Tau2 69.0、MMMU-Pro 69.1、HLE 5.2です。見えてくる傾向は、推論と視覚において同クラス内では強い中規模モデルであり、最難関のフロンティア問題では弱く、ツール使用はそつなくこなす、というものです。256Kコンテキストウィンドウとネイティブな関数呼び出しにより、長い文書を読んでから行動するエージェントの有力な基盤となり得ます。

Googleとは独立したArtificial Analysisは、その推論バリアントをIntelligence Indexで14と推定している。これは実測ではなく推定値として示されており、同等のオープンモデルの中央値8を大きく上回る。これはベンダーの表に対する有益な修正である。中規模モデルであり、第三者によって中位に評価されている。

その音声に関する数値はより控えめで、この比較にはより適切です。CoVoSTは38.5、FLEURSは0.069（低いほど良い）で、いずれもベンダー報告値であり、CoVoSTの数値は中国語を除外しています。これらは音声翻訳と認識の指標であり、会話品質ではありません。Gemmaは30秒のクリップを聞いて、何が言われたかを伝えられます。ライブ通話には対応できません。

ライセンスは、商用に関する疑問のほとんどを決める部分です。Apache 2.0 であれば、収益のしきい値もなく、許容される用途についての交渉もなく、ファインチューニングに対するベンダーの許可も不要です。自社で推論の経路を握りたいチームにとって、それはより優れたデモ以上の価値があります。

Dessaのデモが指し示す先は、それが持ちこたえるならば

興味深い主張は、Dessaが人間のように聞こえるということではない。テキストのボトルネックを取り除くことで、ある種の失敗がなくなるということだ。先に文字起こしを行うパイプラインは、話し終わった時点を判断しなければならない。応答する前に文字起こし結果にコミットしてしまい、ため息を失う。双方向モデルは、そのようなコミットを一切しない。Blockのクリップが代表的だとしたら、結果として生まれるのは重なりを許容する会話だ。こちらが被せて話すこともできれば、相手が被せて話すこともできる。

足りないのは、これらのクリップが代表的なものかどうかを知る手段だ。Blockは、モデルを誰も操作しておらず、字幕は後から追加されたと述べており、それによって最も露骨なやらせの可能性は排除される。しかし同社は、ホールドアウトセット、レイテンシ分布、中断からの復帰率、雑音下での明瞭度スコアのいずれも公開していない。The Vergeは同じデモを「少し気まずく、不気味」と評しており、その中にはモデルが相手を「Ronaldo」と呼ぶクリップも含まれていた。厳選されたリールならそれでも通用するかもしれないが、製品はそうはいかない。

今日はGemmaを中心に音声ループを構築しています

今すぐ音声エージェントを実現したいなら、アーキテクチャは音声認識、次に Gemma 4 12B、次に音声合成です。モデルは理解、推論、応答テキストを担当し、周辺サービスが音声を処理します。レイテンシ予算を支配するのは中央ではなく両端です。エンドポイント検出と音声合成は通常、言語モデルの最初のトークンよりも多くの実時間を要します。

OrcaRouterは、そのループの途中で別の理由から役立ちます。200以上のモデルの手前に1つのAPIがあれば、アプリケーションを書き換えずに推論ステップを差し替えられ、自動フェイルオーバーによりプロバイダーの一時的な不調で呼び出しが終わることもありません。0%マークアップモデル — プロバイダーの定価をそのまま透過 — は、ベンダーが価格を下げたときに重要です。値下げが同日に当社側でも反映されるからです。正直な注意点が1つあります。当社がルーティングするのはGemma 4 26B A4BとGemma 4 31Bであり、12Bではありません。12Bはダウンロードして自前でホストするモデルです。12BをAPIの背後で使いたい場合、それは当社ではなく第三者によるホスティングの判断です。

制約による選択

• 今すぐテキストまたはマルチモーダル出力をリリースする必要があります — Gemma 4 12B、このペアには本格的な代替手段がありません。

• 自分で管理するハードウェア上でオフライン推論が必要なら — Gemma 4 12B、重みが存在するからです。

• 文書、画像、または30秒の録音を理解する必要があるなら — Gemma 4 12B。

• 割り込み可能なライブ音声が必要な場合、2つのうちそれを狙っているのはDessaだけであり、しかもそれは利用できません。

• 出力音声には感情の表現力が必要です — Dessaのデモがその証拠であり、それらはベンダーが選んだものです。

• 調達プロセスを通せるライセンスが必要です — 選択肢の中で唯一のライセンスは、Gemma 4 12B の Apache 2.0 です。

これを本当の比較にするには、何が必要でしょうか

答えを変える要因は3つある。Dessa APIがあれば、両者を同じ会話で測定できる。公開されたパラメータ数とレイテンシ値があれば、ラップトップでの主張を再現できる。あるいは他社のオープンウェイトの音声ネイティブモデルがあれば、「Dessa vs Gemma」は可用性の比較ではなくアーキテクチャの比較になる。

それまでは、公平に要約すれば、Gemma 4 12B は自ら取り除けないテキストのボトルネックを抱えた有能なローカルマルチモーダルモデルであり、Dessa はそのボトルネックを取り除く有望な試みだが、結果を確認する公開された手段がない、ということになる。前者はツールだ。後者は制作面の質が非常に高い仮説である。