Nuplex 1.0とEmma：人間の間合いで応答するビデオペルソナ

Nuance Labsのローンチ投稿で最も警戒を解かせる一文は、同社が自社ベンチマークを否定する箇所だ。新しいモデルが人間の返答タイミングと89%一致し、次点システムが35%だったグラフを示した後で、投稿は「AVフルデュプレックス領域のベンチマークは、まだユーザー体験に対して正確ではない」と認めている。これはマーケティングページの末尾に無理やり付け足された保険的な一文ではない。Nuplex 1.0の実像を正直に枠づけるものだ。すなわち、見て、聞いて、推論し、同じ瞬間に話す視聴覚モデルを18か月かけて構築してきたシアトルのラボによる初の一般公開リリースであり、2026年11月9日にEmmaという単一のコンシューマー向けペルソナの形で出荷された。以下では、ベンダーが測定したもの、ベンダー自身の測定では分からないと同社が述べているもの、そして開発者が今日利用できるものを整理する。

その全体像を一段落で。Nuplex 1.0は全二重の視聴覚基盤モデルです。「Nuplex」は同社がNuance Full-duplexを短縮した名称で、順番に話すのではなく、同時に聞きながら話すシステムです。Emmaはその上に構築された最初のペルソナです。マイクと任意のカメラを使ってブラウザ上で話しかける動画キャラクターで、顔と声は実在の女優からライセンス供与されており、あなたが話している間にもうなずいたり、微笑んだり、目をそらしたり、口を挟んだりするように設計されています。消費者向け体験にアカウントは不要です。好奇心旺盛な訪問者以外がモデルに触れる手段であるNuplex Beta APIは、同社のプラットフォームサイトでのサインアップの先にあります。

出荷されたもの、そしてまだ非公開のもの

主要な成果物は、2026年11月9日付で引用可能なBibTeXエントリを伴う研究投稿「Meet Emma, the First Nuplex Persona」であり、製品の基調講演ではなく研究者による公開です。それは二つの入口を結んでいます：emma.nuancelabs.aiはペルソナ自体へ、そしてplatform.nuancelabs.aiは「いくつかの異なるペルソナ」を備えたベータAPIへ。デフォルトのキャラクターに加えて、APIブリーフではペルソナプロンプトを書いたり、会話をリアルタイムで追ったり、ペルソナがユーザーと話し続けながら長めのタスクをバックグラウンドで自分のツールに任せたりできます。

同じ日の夜、創設者の一人である研究者が「Emma, a real-time AI video persona from Nuance Labs」というタイトルでそのペルソナをHacker Newsに投稿し、スレッドで質問に答えた。そこにはマーケティングページには載っていない、押さえておく価値のある3つの詳細がある。ベータAPIが開発者向けの想定経路であること、チームがこの取り組みを既存のベンチマークよりも自然さに賭けるものと位置づけていること、そして初期の通話者たちがEmmaは「通話を早すぎるタイミングで終了する可能性がある」と警告されていたことだ。これはバグではなく安全上の振る舞いであり、その点は後に研究投稿で詳しく説明されている。

公開されていないのは、商業面の大部分です。プラットフォームのサブドメインは認証付きのサインアップ用シェルの中にあり、パラメータ数が記載された公開の価格表、料金表、モデルカードには到達できませんでした。したがって、コストについて正直に言えるのは次のとおりです。Emma と話すのにアカウントも支払いも不要で、ベータ版 API の条件はサインアップ時に取り決められます。今日 Nuplex 1.0 のトークンあたりの価格を引用している人は、それをでっち上げているのです。

ベンダーが読むように読んだ場合の「89%」という主張

応答遅延は、あらゆる全二重システムが評価される指標であり、Nuance Labsは、それ自体ではほとんど何も決められないと論じている。遅延はスコアではなく製品上の決定だからだ。同社の整理では、この分野は二つに分かれる。PersonaPlexやMoshiのようなオープンモデルは、可能な限り速く答えるように調整され、既存のベンチマークを最大化する。GPT-LiveやGemini Liveのような製品システムはより時間がかかる。「おそらく、あなたの話を遮りたくないからだろう」。Nuplex 1.0は意図的にその二つの間に位置づけられている。

そこで同社は別のものを測定した。システムがどれだけ速く答えるかではなく、人が答えるはずのタイミングで答えるかどうかだ。自社の実際の会話録音から抽出した1,785件の質問で、Nuplexの応答タイミングは元の話者のタイミングと89%の確率で重なった。次に近いシステムは35%だった。この文のあらゆる部分はベンダーによる報告であり、社外の誰も再現していない。また、比較対象の数値のうち2つには、ベンダー自身が進んで認めている注意点がある。GPT-LiveとG​emini Liveは公開API経由で到達したため、そのタイミングにはNuplexには含まれないネットワーク時間が含まれている。

その主張をどこまで信じるかは別としても、公表されたものとしては依然として具体的で検証可能なものだ。名前の付いた質問セット、名前の付いた指標、明示された比較手法がある。もっと興味深い問いは、なぜ研究所が数字を先に提示し、次の段落でそれを弱めるのかだ。なぜならその指標は、製品が実際に売っているものを測定しているからだ。対面会話は速い会話ではない。相手のタイミングが注意を伝える会話だ。エマの視覚的合図——話している間のうなずき、発言権を主張する視線の移動——は、そのタイミングが生み出される仕組みの一部であり、それがこれと、上にアバターをレンダリングした音声対音声モデルとの具体的な違いだ。

一人の女優から借りた顔と、反論するよう仕込まれた性格

この投稿で最もローンチらしくないのは、生成された顔がなぜ不自然に見えるかという部分だ。プロの俳優に同じ感情を演じさせると大きなばらつきが生じる、と同社はLe Mau et al. 2021を引用して指摘する。一方、AI生成の顔は、実際にポーズを取った写真よりもラベル付けしやすく、より強い典型的表現を生み出す、とKramer et al. 2026を引用している。多くの人を平均化すると、どこか抑えられたものになる。ラベルに最適化すると、漫画のようになる。

Nuance Labsの答えは、平均化をやめることだった。Emmaの顔と声は、キャプチャに協力した一人の女優に由来し、彼女の仕草はトレーニングデータの一般化ではなく、特定のキャラクターに基づいてモデル化されている――強調のための長いまばたき、目を細める様子、さまよいながら戻ってくる視線、反応を抑えきれないときの小さな跳ね。投稿では、彼女を絵文字風のプロトタイプ表現と並べて視覚的にその点を示しており、それは2秒で気づけて、その後は気づかなかったことにはできなくなる類の違いだ。

人格に関する取り組みのほうが、より風変わりな主張だ。エマは好奇心旺盛で機知に富み、自分の意見を持ち、あなたと意見を違えるように設計されている。しかも、AIであることを隠さない。この投稿は、なぜそれが難しいのかを率直に述べている。選好データは、質問者に同調する回答に報酬を与えるため、ほとんどのアシスタントは、あなたが言ったことを繰り返し、それを褒め、きれいにまとめた教訓を引き出し、質問で締めくくる。引用は迎合に関するSharma et al. 2024で、そこから導かれる設計上の制約は、エマはただ一人——一つの顔、一つの声、一つの気質——であり、プロンプトし直せば同意するようなキャラクターではない、ということだ。

ベータ版が拒否する事項

Nuance Labsは安全性のセクションを、最初のテスターたちの言葉を引用して始めている。彼らは「しばしば続けざまに」二つのことを述べた。それは素晴らしかった、そして少し落ち着かないものだった、と。続く制限はローンチとしては異常に具体的で、今月Nuplex 1.0上でいくつかの明白な製品を構築できないのはそのためだ。

• 開示は構造的なものです — Emma は決して人間であると主張せず、ペルソナにそれを主張させようとする開発者プロンプトは拒否され、API 経由で配信される動画には可視のウォーターマークが付きます。

• クローン作成はできません — ベータ版では実在の人物をクローン化することはできず、顔や声をアップロードすることもできません。また、組織向けに作成されたカスタムフェイスは、その組織のみが使用できます。

• 性的コンテンツは禁止です。AIの彼女や彼氏も禁止です。

• 医療分野および18歳未満が関わるもの（教育を含む）はベータ版の対象外とし、そうしたお問い合わせは代わりにエンタープライズ用アドレスへ転送されます。

• 開発者プロンプトはすべて、会話が始まる前に審査されます。通話中、自動チェックにより、重大な暴力への意図が表明された場合、中傷やヘイトスピーチ、性的コンテンツ、カメラ越しの武器や流血表現があった場合には通話が終了します。また、ペルソナ自体がパスコード、カード情報、金銭、またはデバイスへのリモートアクセスを求めた場合にも終了します。

• 危機的状況にあると思われる人には、電話を切るのではなく、Suicide & Crisis Lifeline などの支援先を案内します。違反が繰り返されると、新しい会話は一時停止されます。製品全体は18+です。

その投稿は、ほとんどのベンダーが省いてしまう一文を加えている。これらのチェックは見逃すことがあり、問題ない通話を時には終了させてしまう、という一文だ。それは人々に伝えるべき正しいことでもあり、この製品が今どこにあるのかを正確に表す説明でもある——プラットフォームではなく、注意深く囲い込まれたベータ版なのだ。

エマがまだできないこと

制限事項のリストは、役に立つだけの長さがある。エマの推論は言語モデルに基づいているため、自信満々に間違えることがあり、「strawberry」の文字数を今でも数え間違えることがある。ターンテイキングは、それが最も難しい場面で失敗する。相手が考えを述べている途中で口を挟んだり、間を置きすぎたり、人間なら気づく合図を逃したりすることがあり、文の途中での長い沈黙が最悪のケースだ。彼女は今のところ英語のみに対応している。背景の声、テレビ、スピーカーフォン、弱いマイクはいずれも彼女のタイミングを悪化させる。ストリーミングの視覚理解はまだ初期段階で、カメラをオンにすると見えているものについて話せるが、細部を見逃したり場面を読み違えたりする。リップシンク、視線、頭の動きは時折ずれ、特に接続が悪いときは顕著で、会話の途中で表情が無表情に戻ることがある。彼女は歌えない。会社はそれを笑顔の絵文字付きで伝えており、これはリストの残りをどれだけ真剣に受け止めるべきかを示す妥当なサインだ。

Nuplex 1.0の背後にいるのは誰ですか

Nuance Labsは小規模で、明確に研究第一の企業であり、ワシントン州シアトルに拠点を置いています。名前が公表されている3人の創業者は、Fangchang Ma（共同創業者兼CEO、MITでロボティクスと機械学習の博士号を取得、以前はAppleのエンジニアリングマネージャー）、Edward Zhang（共同創業者兼CTO、University of Washingtonでコンピュータグラフィックスの博士号を取得、以前はAppleのシニアリサーチサイエンティスト）、Karren Yang（共同創業者兼チーフサイエンティスト、MITで音声視覚合成の博士号を取得、同じく以前はAppleに在籍）です。同社自身によるこのモデルの位置づけは、「同じ瞬間に見て、聞いて、推論し、話し、表現する」単一のシステムであり、次の単語ではなく次の音声トークンと視覚トークンを予測することで構築されています——言語を学んだのと同じ自己回帰的な仕組みを、人間の行動に向けたものです。

同社のホームページでは、設計目標も明確に示されています。「会話レイテンシの絶対的な下限は500ms」という記述に加え、表現力と自然さ、リアルタイムの双方向性、人を引きつける個性、間投詞やうなずき、あいづちを通じた積極的傾聴という4つの柱が挙げられています。この4項目はいずれもベンチマークではなく、500msという数字も測定結果ではなく明示された下限です。したがって、これはNuplex 1.0に関する性能上の主張ではなく、チームが設計時に課している制約として読むべきです。

実際に使える場所

提供地域は地理的に限定されており、「グローバル」よりも狭い範囲です。Emma と Nuplex Beta API は、米国ではコロラド州、コネチカット州、イリノイ州、テキサス州を除く地域で、EU、英国、およびカナダではケベック州を除く地域で提供されています。Emma と話すのにアカウントは不要です。ブラウザ、マイク、そして必要に応じてカメラがあれば、準備は完了です。

開発者にとって興味深いアーキテクチャ上の事実は、Nuplexが言語モデルを置き換えるのではなく、その手前に位置しているという点だ。Nuance Labsによれば、Nuplexはあらゆる言語モデルで動作するが、ベータ版は同社自身のモデルの一つを提供しているため、Emmaの下にある推論レイヤーは現在サードパーティが供給しているものではない。ベータ版が実際に明らかにしているのはその継ぎ目だ。ペルソナは話し続けながら、より長いタスクをあなたのツールに引き渡すことができ、それらのツールは好きなモデルやサービスを呼び出せる。

その継ぎ目こそがルーターの存在価値を示すところであり、私たちが何をし、何をしないかについては正確に述べておく価値があります。OrcaRouterはNuplex 1.0を提供していません。このモデルは当社のカタログにはなく、アクセスする唯一の方法はNuance Labs自身のベータプラットフォームを通じることだけです。当社が提供するのは、呼び出しのもう一方の側です。1つのOpenAI互換キーの背後にある215のモデルをプロバイダーの定価で、0%のマークアップでパススルーし、ペルソナのツールが利用するモデルを、2つ目の契約を結ぶのではなく文字列を変更するだけで切り替えられるようにします。自動フェイルオーバーは、ライブ会話で最も重要となるケースをカバーします。通話の途中でプロバイダーが止まってしまうことは、少し弱い回答よりも悪いことだからです。また、ルーティングDSLを使えば、バックグラウンドタスクで1つのモデルに下書きをさせ、別のモデルにチェックさせたいときに、複数のモデルを単一のエンドポイントの背後に組み合わせることができます。

次に見るもの

これを印象的なデモからプラットフォームへと押し上げるには、3つのことが必要だ。第一は独立した測定である。外部の当事者は誰も1,785問のタイミングテストを実施しておらず、AV全二重の領域には共有のアリーナが存在しない。まさにそれが、ベンダーが自前の質問セットを矛盾なく公開できた理由にほかならない。第二は言語リストだ。英語のみであることがベータ版における唯一最大の制約であり、Nuplexが多言語対応になれば、その上に何を構築できるかという人々の範囲が変わる。第三は基盤となる言語モデルである。Nuplexが持ち込み言語モデル（bring-your-own LM）付きで提供された瞬間、ルーティングの問いはツールに関するものではなくなり、会話そのものに関するものになる。それまでは、公正な要約としてはこうだ。Nuance Labsは、会話とは視覚的な行為であるという、これまでで最も説得力のある主張を世に送り出した。そして、誰もそれを使って密かに間違ったものを構築できないよう、十分に慎重に囲い込んできたのである。