電話で本人確認を行う企業が知っておきたい指定した声で会話するモデル「Haru-4B」の注意点

電話で本人確認を行う企業が知っておきたい指定した声で会話するモデル「Haru-4B」の注意点

「電話の向こうの相手が、こちらの話をさえぎって自然に相づちまで打ってきたら、それが機械だと気づけるだろうか」「声をまねるAIは、決まった文章を読み上げるだけだと思っていた」——コールセンターの運営責任者や、電話で振込や承認の依頼を受ける経理・総務の担当者から聞こえてくる声です。2026年11月、日本の higurashi株式会社が、相手の話を聞きながら同時に話せる会話型の音声モデル Haru-4B を、研究用の基盤モデルとして公開しました。重みは Apache-2.0 で公開され、短い音声の見本を与えると、その声で受け答えできると説明されています。ただし、問われているのは、このモデルの性能の高さではありません。本当は、電話の向こうの声が本人のものだと、声だけでは確かめられない前提で業務を組めているかです。この記事では、Haru-4B がどのようなモデルなのか、公開情報で確かめられる事実、当ラインの安全性の精査結果、そして電話を使う企業が見直すべき手続きと、正当な使い方を考えるときの決まりを、防御の立場から整理します。声を複製する具体的なやり方は扱いません。


カメ先生カメ先生

声をまねるAIは、録音を流すだけだから会話をすればすぐ見抜けると思われがちなんだけど、本当は、聞きながら同時に答える会話型のモデルが出てきて、その前提が崩れ始めているんだ。


カメ子カメ子

相手の質問に合わせてその場で答えられるなら、少し会話をして確かめる方法も効きにくくなるということですか。


カメ先生カメ先生

そう。だから、声や話しぶりで本人かどうかを見分けようとするのではなく、かけ直しや複数人の承認のように、声に左右されない確かめ方を手続きに組み込むことが大事なんだよ。


カメ子カメ子

聞き分ける力を鍛えるより、声で大事なことが決まらない仕組みを先に作るべきなんですね。


この記事のポイント
  • Haru-4B は higurashi株式会社が2026年11月に公開した、聞きながら話す全二重の会話型音声モデル。日本語を含む9言語を主な対象とし、短い音声の見本で声を、文章の設定で人物像を決められると説明されている。重みは Apache-2.0
  • 配布物は safetensors 形式の重みと設定ファイルで、独自のプログラムは含まれない。一方、声をまねる会話がその場でできるため、なりすまし電話への悪用の余地があるとして、当ラインでは「注意付き」と判定した
  • 企業の備えは、声に頼らない本人確認、台帳の番号へのかけ直し、複数人の承認、社員教育、自社で使うときの同意と表示。AIに判断させず、人が確認する範囲を先に決める

あなたのWebサイトは、AIによる攻撃に耐えられますか?

AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。

目次

Haru-4Bとは何か。2026年11月時点で確かめられる事実

Haru-4B は、日本の higurashi株式会社が公開した音声対話の基盤モデル(さまざまな用途に向けて追加の学習を行う前の、土台となるモデル)です。Hugging Face のモデルカードによると、相手の声を聞きながら、同時に自分の声と文字を出力する「全二重」の会話を行うモデルで、人が電話で話すときのように、聞くことと話すことが互いを待たずに進むと説明されています。モデルカードでは、研究用に公開した事前学習済みの基盤モデルであると明記されています。言語の部分には Qwen3.5-4B の文章処理の部分が使われていると書かれています。

Hugging Face 上のモデルの置き場は2026年11月12日に作られ、提供元の技術ブログは11月13日付で公開されています。11月14日時点で、モデルの置き場の「いいね」は149、直近のダウンロード数は165と表示されていました。コードの公開場所である GitHub のリポジトリは、スター数が200あまりで、記録されている変更は数件と、公開されて間もない状態です。英語版の技術ブログでは、学習にあたって AWS と、経済産業省と NEDO(新エネルギー・産業技術総合開発機構)による生成AIの開発支援事業 GENIAC の支援を受けたと記されています。

項目公開情報で確認できた内容
提供元higurashi株式会社(技術ブログの記載)
公開時期モデルの置き場は2026年11月12日作成、技術ブログは11月13日付
ライセンス重み・コードとも Apache-2.0
主な対象言語英語、スペイン語、ポルトガル語、ドイツ語、フランス語、中国語、日本語、ロシア語、韓国語の9言語
位置づけ研究用の事前学習済み基盤モデル。事実の情報源としては信頼できず、アシスタントのように指示に従うものではないとされる
配布物safetensors 形式の重み1つ、設定ファイル、文字の分割に使う辞書。独自のプログラムは含まれない

なぜ今、会話型の音声モデルの公開が企業の議題になるのか

これまでも、短い音声の見本から声をまねて文章を読み上げるモデルは数多く公開されてきました。読み上げ型のモデルは、あらかじめ用意した文章を読ませるもので、電話の相手に突っ込んだ質問をされると、その場で自然に答えるのは難しいという弱点がありました。Haru-4B のような全二重の会話型モデルは、相手の発話を聞きながら、相づちや割り込みを含めて受け答えすることを目指しています。提供元のブログでは、日本語での雑談の様子を収めた動画も示されています。

企業にとっての意味は、「少し会話をすれば機械だと分かる」という、これまで暗黙に頼ってきた見分け方が効きにくくなることです。電話で本人確認を行うコールセンター、電話の依頼で送金や振込先の変更を処理する経理、電話一本で権限やパスワードの再設定に応じるヘルプデスクは、声と会話の自然さを手がかりに相手を信じる場面を抱えています。しかも Haru-4B は日本の企業が日本語を主な対象の一つに含めて公開したモデルで、日本語の電話を想定した悪用の議論から目をそらすことはできません。もちろん、公開それ自体が悪いわけではなく、技術の公開は防御側が手口を理解する材料にもなります。守る側が前提を更新するきっかけとして受け止めるのが現実的です。

機能1:聞きながら話す全二重の会話

モデルカードによると、Haru-4B は1秒あたり7.5回、つまり約133ミリ秒ごとに、相手の音声を1区切り受け取り、自分の音声と文字を1区切り出力します。相手の声、自分の声、自分の文字の3つを言語モデルの同じ位置にまとめて扱うことで、聞くことと話すことが互いを待たない作りになっていると説明されています。音声は区切りごとに連続した数値の組として表され、言語モデルの内部の状態から、小さな追加の部品が1回の計算で音声を作ると書かれています。

応答の速さについて、提供元のブログは、Apple の半導体を積んだノートパソコンで、重みを圧縮した状態で区切りの待ち時間を除き約65ミリ秒、データセンター向けの NVIDIA の演算装置では約15ミリ秒という数字を示しています。ただし、区切りの仕組みそのものによる最大133ミリ秒の遅れは別に加わると注記されています。これらは提供元が公表した数字で、当ラインでは検証していません。また、ブログには他のモデルと比べた数値の評価は載っておらず、会話の質は主に動画で示されています。

機能2:文章の設定で人物像を、短い音声で声を決める

モデルカードと GitHub の README は、文章で書いた人物設定のカードで話し手の性格や話しぶりを決め、短い音声の見本で声を決めると説明しています。README によると、モデル自体には声の見本は付属しておらず、利用者が1人の話者の、3秒から3分のはっきりした音声を用意する形です。そのうえで、README とモデルカードの両方に「使う権利のある声だけを使うこと」という趣旨の注意書きがあり、限界の説明の中でも、見本の声をまねることができると明記されています。

防御の観点で押さえたいのは、声と人物像の両方を、短い材料から組み立てられるという点です。声は数秒からの見本で、話しぶりは文章の設定で決まるため、会議の録画や動画配信、留守番電話の応答メッセージなど、社外に出ている短い音声が材料になりうると考えておく必要があります。ただし、どの程度の見本でどこまで本人に似せられるかについて、提供元は定量的な評価を示しておらず、実際の再現の精度は現時点で確認できる情報が限られます。

動かす環境と、公開されている部品

GitHub の README によると、コードの公開場所には、一般的な機械学習の枠組みである PyTorch で書いた実装と試用の画面、Apple の半導体向けの実装とパソコン用のアプリ、そして多数の会話を同時に処理するためのサーバー向けの部品が含まれています。NVIDIA の演算装置で動かす場合は、メモリが約12ギガバイト必要とされています。つまり、専用の大規模な設備がなくても、高性能な個人向けのパソコンで動く水準として案内されていることになります。

README には、試用の画面を外部から開けるリンクを発行する選択肢があり、その通信は外部の中継サーバーを通ると説明されています。リンクを知っていれば誰でも使える形になるため、社内の検証でこうした機能が使われると、検証用の画面が意図せず外部に公開される可能性があります。研究部門などが試しに動かす場合も、社外から使える状態にしない、社員の声を見本に使わないといった線引きを、事前に決めておくことが大切です。

安全性の評価:注意付きとした根拠

当ラインでは、モデルや関連コードを取得・実行せず、Hugging Face が公開しているモデルの情報、モデルカード、GitHub の README、提供元のブログを読んで判定しています。確認できた安心材料は、重みが Apache-2.0 で公開されていること、配布物が読み込み時に任意のプログラムを動かしにくい safetensors 形式の重みと設定ファイルだけで、Hugging Face 上のモデルの置き場に独自のプログラムが含まれていないこと、利用の申請が不要な公開であることです。

一方で、このモデルの中心的な機能は、短い音声の見本の声で、その場で会話することです。これは、電話でのなりすましや、声を使ったフィッシング(ビッシング)に悪用されうる性質を持ちます。モデルの置き場の作成からまだ数日で、提供元の実績を外から評価できる材料も多くありません。そこで当ラインでは、「注意付き」と判定しました。なお、問題が見つからなかった項目があっても、それは安全の保証ではありません。GitHub 側のコードは当ラインの精査の対象外で、利用する場合は自社で別途確認が必要です。

公開情報に書かれていないこと

公開情報を読んで目立つのは、悪用の防止に関する記述の少なさです。モデルカードと README には「使う権利のある声だけを使うこと」という注意書きがありますが、本人の同意を確かめる仕組みや、合成音声であることを示す透かしの埋め込みについての記述は見当たりませんでした。技術ブログの日本語版・英語版のいずれにも、安全性や悪用の防止を扱った節はありませんでした。

学習データについては、ブログに、160を超える言語の4,000万時間以上の実際の音声を使い、文章生成AIや読み上げで作った会話は除いたこと、会話を話者ごとに分けた1,300万時間以上の音声で追加の学習をしたことが書かれています。ただし、どこから集めた音声か、話者の同意をどう扱ったかは、今回確認した範囲では示されていません。企業が業務で使うことを考えるなら、学習データの出どころや権利関係は、提供元に確かめるべき論点になります。提供元は詳しい技術報告と学習用のコードを今後公開する予定としており、続報で明らかになる可能性があります。

悪用されうるリスク

ここからは推測を含みます。現時点で、Haru-4B が詐欺に使われたという報告は確認できていません。そのうえで、会話型の音声モデルが手軽に動くようになると、次のような悪用が考えられます。1つは、経営者や取引先の声をまねて電話をかけ、送金や振込先の変更を急がせる手口です。読み上げ型と違い、相手の質問にその場で答えられるため、少し話をして確かめるという素朴な確認が通用しにくくなる可能性があります。

2つ目は、コールセンターやヘルプデスクへのなりすましです。本人の声と、公開情報や過去の流出で知られた個人情報を組み合わせれば、本人確認の質問を通り抜けようとする試みが増えることも考えられます。3つ目は、多数の会話を同時に処理する部品が用意されていることから、自動で大量の電話をかける詐欺に組み込まれるおそれです。ただし、実際にどこまで実用的な精度で悪用できるかは、現時点で確認できる情報が限られます。過度に恐れるのではなく、声に頼る手続きが残っている場所を先に洗い出すことが、確実な備えになります。

公的機関の注意喚起:声のなりすましはすでに起きている

米国の FBI は、2025年5月の注意喚起で、米国政府の高官になりすました文字と音声のメッセージによる攻撃が続いていると警告し、AIで作った音声が公人や家族のなりすましに使われていること、複製された声が本物とほとんど区別できない場合があることを指摘しました。同年12月の続報でも、AIで作った音声を使ったビッシングが続いており、AIで作られた内容は見分けにくいことが多いとしています。

FBIが勧める対策は、相手の連絡先を自分で調べた番号にかけ直して確かめること、確認できない相手のリンクを開かないこと、二要素認証の確認番号を教えないこと、確認できない相手に送金しないこと、家族で合言葉を決めておくことです。これらはいずれも、声が本物らしいかどうかに関係なく効く確かめ方です。会話型の音声モデルが身近になるほど、こうした手続き側の対策の価値は高まります。企業も、同じ考え方を業務の手続きに当てはめることができます。

電話を使う業務ごとの影響と見直しの方向

会話型の音声モデルの影響は、電話で何かが決まる業務ほど大きくなります。次の表は、代表的な業務ごとに、なりすましが起きたときの影響と、見直しの方向をまとめたものです。自社の業務に当てはめ、声と会話の自然さだけで処理が進む場所を探す手がかりにしてください。

業務なりすましが起きたときの影響見直しの方向
経理の送金・振込先の変更経営者や取引先を名乗る電話で、誤った口座に送金してしまう台帳の番号へのかけ直しと、複数人の承認を必須にする
コールセンターの本人確認顧客を名乗る電話で、住所変更や情報の開示に応じてしまう声や知識の質問だけに頼らず、登録済みの連絡先への通知や別経路の確認を組み合わせる
ヘルプデスクのパスワード再設定社員を名乗る電話で、アカウントを乗っ取られる電話だけでは再設定しない。上長の承認や対面・社内システムでの申請を求める
役員秘書・総務への依頼役員を名乗る急ぎの依頼で、機密情報や物品を渡してしまう合言葉や社内の連絡手段での確認を決め、確認できなければ止めてよいと明記する
取引先との電話での口頭承認担当者を名乗る電話で、契約条件や納品先の変更を受け入れてしまう変更は書面と社内システムで受け付け、電話の承認は記録の補助にとどめる

表の見直しの方向に共通するのは、声の真偽を見抜く力に頼らず、別の経路と複数の目で確かめることです。合成音声を見抜く道具は補助としては役立つ場面がありますが、技術の進歩に追いつけるとは限らないため、手続きの土台にはしないほうが安全です。

電話での本人確認と承認の手続きを見直す手順

手続きの見直しは、一度に全部を変えようとすると現場が回らなくなります。影響の大きい業務から順に、次の手順で進めるのが現実的です。

STEP1
声で判断している業務を洗い出す

送金、振込先の変更、パスワードの再設定、権限の付与、顧客情報の変更や開示など、電話や音声メッセージの依頼で処理が進みうる業務を一覧にします。経理、総務、人事、ヘルプデスク、コールセンター、営業の窓口を必ず含めます。

STEP2
かけ直しの決まりを作る

依頼を受けた電話とは別に、社内の台帳に登録された番号にこちらからかけ直すことを決まりにします。相手が電話で伝えてきた番号や、着信表示の番号は使いません。

STEP3
承認者と金額の線を決める

一定額を超える支払いや振込先の変更、重要な権限の変更は、複数人の承認を必須にします。役員からの急ぎの依頼でも例外にしないことを、経営層の了承を得て文書にします。

STEP4
確認できないときの扱いを決める

かけ直しがつながらない、合言葉が合わないなど、確認できないときは処理を止めてよいと明記します。止めた担当者が責められない決まりにすることが、現場の判断を支えます。

STEP5
訓練と見直しを続ける

なりすまし電話を想定した訓練を定期的に行い、手続きが守られているかを確かめます。新しい手口の報告があれば、手続きを見直します。訓練の結果は経営層にも報告し、手続きを守ることが評価される雰囲気を作ると、急ぎの依頼に押されて確認を省く事態を防ぎやすくなります。

企業が取るべき対策

手続きの見直しに加えて、組織として取り組みたい対策を5つ挙げます。1つ目は、声を本人確認の決め手にしないと社内規程に書くことです。声紋認証などを導入している場合も、単独では使わず、他の要素と組み合わせる前提に見直します。2つ目は、社員教育です。会話が自然でも相手が本人とは限らないこと、急がせる依頼ほど手続きどおりに確かめることを、経理や窓口の担当者だけでなく、役員にも伝えます。

3つ目は、社員の声の公開範囲の見直しです。役員の講演動画や採用動画を一律にやめる必要はありませんが、必要以上に長い肉声の素材を出していないか、留守番電話の応答に役職者の声を使っていないかを確かめます。4つ目は、通話の記録と異常の検知です。送金や設定変更の依頼が電話から始まった場合に、記録を残し、通常と違う依頼の流れを後から点検できるようにします。5つ目は、社内での音声モデルの扱いを決めることです。研究目的で試す場合も、情報システム部門への届け出と、社員の声を見本に使わない決まりを設けます。

自社で会話型の音声AIを使うときの同意と表示

会話型の音声モデルには、正当な使い道も多くあります。問い合わせの一次対応、多言語での案内、話す練習の相手、聞き取りが苦手な人への支援などです。Haru-4B は Apache-2.0 で公開されているため、ライセンスの上では商用の利用も妨げられていません。ただし、モデルカードが研究用の基盤モデルと明記し、事実の情報源として信頼できないとしている点は重く見るべきです。そのまま顧客対応に使える完成品ではないと考え、使う場合は追加の学習や検証、人による監督を前提にします。

声の扱いでは、特定の人の声を使うなら、本人から書面で同意を取り、使う目的、期間、範囲、撤回の方法を明記します。退職した社員の声を使い続けないことも決めておきます。また、電話や案内で合成音声を使う場合は、相手にAIの音声であることを伝えることを原則にします。利用者が本人の声と誤解すれば、自社自身が信頼を損なうことになります。学習データの出どころや権利関係が公開情報では確かめられていない点も踏まえ、法務部門と一緒に利用の可否を判断してください。

AIに任せる範囲と、人が決める範囲

会話型の音声AIを業務に入れる場合も、なりすまし対策に検知の道具を使う場合も、AIを万能に扱わないことが大前提です。送金、本人確認、権限の付与のような取り返しのつかない判断は、AIに判断させないと決めておきます。AIに一次対応や要約を任せる場合も、なぜその応答や判定になったのか、根拠を書かせて記録に残すようにし、人が後から確かめられる形にします。

  • 電話の声と話しぶりが自然だったという理由で、かけ直しをせずに送金や振込先の変更を処理する
  • 合成音声を見分ける道具が本物と判定したことを、本人確認の代わりにする
  • 研究用の基盤モデルを、検証や人の監督なしに顧客対応の電話に使う
  • 本人の同意を取らずに、社員や役員の声を見本にして案内や宣伝の音声を作る
  • 試用の画面を、社外から誰でも使える状態のまま放置する

人が決める範囲は、導入する前に決めておくことが重要です。どの業務でAIの音声を使うか、どの判断は必ず人が行うか、人が確認する範囲を先に決め、例外を作るときの承認者も定めます。運用が始まってから決めようとすると、便利さに押されて確認が省かれがちになります。

よくある質問

Haru-4B の公開で、すぐに詐欺の被害が増えるのですか

現時点で、Haru-4B が詐欺に使われたという報告は確認できていません。ただし、AIで作った声によるなりすましは、FBIの注意喚起のとおりすでに起きています。今回の公開は、声と会話の両方をまねる手段が身近になる流れの一つと捉え、手続きの見直しを急ぐきっかけにするのが現実的です。

電話の会話で、相手がAIかどうかを見抜く方法はありますか

応答の不自然さで気づける場合もありますが、それに頼るのはおすすめできません。モデルの進歩で不自然さは減っていくと考えられるためです。大事な依頼ほど、いったん電話を切って台帳の番号にかけ直すなど、相手がAIかどうかに関係なく効く確かめ方を手続きにしてください。

研究目的で社内で試してもよいですか

ライセンスの上では可能ですが、社内の規程に沿って、情報システム部門への届け出、取得元と版の記録、社外から使えない環境での利用、社員の声を見本に使わないことを守ったうえで行ってください。GitHub 側のコードは当ラインの精査の対象外のため、利用前に自社でも確認が必要です。

  • 本記事の内容は、2026年11月14日に確認した Hugging Face のモデルカードとファイル一覧、GitHub の README、提供元の技術ブログ(日本語版・英語版)、FBIの注意喚起に基づきます。数値やファイル構成、ライセンス、スター数などは今後の更新で変わる可能性があります
  • 応答の速さや学習データの量などの数字はすべて提供元による公表値で、当ラインでは検証していません。モデルや関連するプログラムは取得・実行していません

まとめ

Haru-4B は、日本の higurashi株式会社が2026年11月に公開した、聞きながら同時に話せる全二重の会話型音声モデルです。日本語を含む9言語を主な対象とし、短い音声の見本で声を、文章の設定で人物像を決められると説明されています。重みとコードは Apache-2.0 で公開され、配布物は safetensors 形式の重みと設定ファイルだけです。当ラインでは、配布物の形式や提供元の明示を確認した一方、声をまねた会話がその場でできることからなりすましへの悪用の余地があり、同意の確認や透かしなどの悪用防止の記述も見当たらないことから「注意付き」と判定しました。問題が見つからなかった点があっても、安全の保証ではありません。

このモデルの公開で企業が備えるべきなのは、電話の声を聞き分ける力ではなく、声と会話の自然さだけで大事な判断が通らない手続きです。台帳の番号へのかけ直し、複数人の承認、ヘルプデスクとコールセンターの本人確認の見直し、社員教育、自社で使うときの同意と表示を先に整え、AIに判断させず、人が確認する範囲を先に決めておくことが、会話する合成音声が身近になった時代の守りの出発点になります。

出典(一次情報)

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

あなたのWebサイトは、AIによる攻撃に耐えられますか?

AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。

運営会社:株式会社デボノ

目次