Astribot S1にMIRAを実装　音声と動作を同時に扱う対話枠組みを発表

何が起きたか

Astribot S1ヒューマノイド上で、リアルタイムの全二重対話を扱う枠組み「MIRA」が2026-09-21に発表された。MIRAは、ストリーミング音声、会話履歴、声の感情を入力に、応答文と明示的な身体化の手がかりを同時に予測する。あわせて、実機上での計測により、ストリーミング応答性と割り込み処理も評価したとしている。

詳細

MIRAは、離散的な社会行動を検証済みのロボット軌道に対応づけ、発話を伴う場面ではストリーミングの共発話モーションを生成する設計である。モーション生成には「predict-more-than-commit」のスライディングウィンドウを使い、動作の連続性を保ちながら、実行を短い取り消し可能な接頭部分に限定する。 また、CORTEXと呼ぶ二重時間スケールの対話方針を用い、低遅延のストリーミング処理と熟考型のターン決定を管理する。ロボット側の実行層は制御レートで物理安全制約を強制し、評価では最先端のモーション生成ベースラインに対する音声-動作整合性の競争力と、実機展開時の応答性・割り込み処理特性を示したとしている。

Key Facts

本紙の見方

MIRAの新しさは、対話の中身と身体動作を別々に作るのではなく、ストリーミング入力の段階で応答文、身体化の手がかり、動作継続性、安全制約を同じ系で扱う点にある。既存の「会話生成」と「ジェスチャー生成」の分離を前提にすると、部分的にしか入ってこない音声や、ターン境界が曖昧な場面で遅れや不整合が起きやすい。MIRAはこの断絶を、predict-more-than-commitの短い可逆な実行単位と、CORTEXの二重時間スケール制御で埋めようとしている。 本紙の関連記事であるMIRAの基盤となるオンライン学習枠組みでは、Astribotチームが実機で学習を回しながら性能を改善する方向性を示していた。今回のMIRAは、その延長線上で「運用中に学習する」より前の段階、つまり対話そのものをどう低遅延で安全に回すかに主眼が移っている。言い換えれば、学習フレームワークの話から、ストリーミング対話実装の話へと焦点が具体化した形である。 業界構造でみると、論点は会話モデル単体の性能ではなく、音声・状態推定・動作生成・制御安全を1本につなぐ実行系にある。MIRAが示したのは、オープンエンドな発話に共発話モーションを重ねる場合でも、ロボット側の制御レートで物理安全制約を守らせる必要があるという点である。これは、生成モデルの出力品質だけでは足りず、実機での中断応答、接頭部分の取り消し可能性、検証済み軌道への写像が製品化の条件になることを示す。今後は、評価で示された音声-動作整合性がどの課題で維持されるか、割り込み頻度が上がった場合にどこまで安定するか、そして実機での安全制約が対話の自然さをどの程度制限するかが確認点になる。

なぜ重要か

Astribot S1上で、ストリーミング音声と動作を同時に扱う構成が示されたことで、対話型ヒューマノイドに必要な実装条件が「会話ができる」から「途中入力でも安全に反応できる」へ移る可能性がある。発表元のarxiv.orgによれば、MIRAは実機でストリーミング応答性と割り込み処理を評価しており、運用時の中断耐性が重要な指標になる。

日本への影響

日本企業への直接的な示唆は、音声対話モデルそのものよりも、実機の制御レートで安全制約をかけながらストリーミング応答を成立させる実行層にある。ヒューマノイドの対話用途を狙う場合、認識・生成だけでなく、短い可逆動作、割り込み処理、検証済み軌道の管理を含む統合設計が必要になるとみられる。