1. これは何の話？

Speech-to-Speech Benchmarks

Speech-to-Speech（音声をテキスト化せず、音声で入れて音声で返す）モデルを、Artificial Analysisの比較ページで俯瞰する記事です。

2. 何がわかったか

Price Performance Balance

同じ「音声AI」でも、推論が強いモデルと、レイテンシが強いモデルは分かれます。
Speech ReasoningはBig Bench Audioなどの指標で比較され、Gemini 2.5 Native Audio Thinkingが高スコアとして紹介された例があります。
またxAIは、Grok Voice AgentがBig Bench Audioで#1だと発表しています。
用途（CS、同時通訳、音声エージェントなど）に合わせて指標の優先度を決めるのが先です。

3. 他とどう違うのか

Emotion Waveform Analysis

STT→LLM→TTSの3段パイプラインより、遅延や情報損失を減らせる可能性があります。ただし、コストと品質のトレードオフは残ります。

4. なぜこれが重要か

Multimodal Interaction

音声は「0.5秒の遅れ」が体験を壊します。比較表で"許容レイテンシ"と"必要な推論"を同時に見られるのは実務に効きます。

5. 未来の展開・戦略性

Global Simultaneous Interpreter

今後は「速いモデル＋賢いモデル」のハイブリッド設計が増えます。単体ベンチだけでなく、混雑時の安定性や運用コストも選定軸になります。

6. どう考え、どう動くか

指針：

  • まず許容レイテンシ（例：TTFA/TTFT何秒まで）を決める。
  • 次に推論タスク（意図理解、要約、ツール実行）の難度を分類する。
  • 最後に価格と同時接続の見積もりを合わせる。

7. 限界と未確定

  • ランキングや数値は更新されるため、記事内では「参照日」と「参照した数値」を固定して書く。
  • 日本語の通話品質は、ベンチ外の要素（回線、マイク、ノイズ）でも変わる。

8. 用語ミニ解説

  • Speech-to-Speech：音声→音声で対話するモデル。
  • レイテンシ：入力から応答開始までの遅れ。

9. 出典と日付

Artificial Analysis（最終確認日：2025-12-18）：https://artificialanalysis.ai/models/speech-to-speech