「えーっと…」は3秒まで?日常会話をTCP/IP風に定式化した『HCTTP』をIETFのInternet-Draftとして公開しました

RFC

人間の日常会話をネットワークのセッション層プロトコルとして真面目に定式化した仕様書『Human Conversational Turn-Taking Protocol (HCTTP)』を書き上げ、IETFの公式リポジトリに Internet-Draft(draft-sakai-hcttp-00)として公開しました!

3ウェイ・ハンドシェイクによる会話の開始から、相槌(ACK/NACK)、フィラー(「えーっと…」などの TOKEN_HOLD)、発話被りの衝突検知、さらには「マシンガントーク(429 Too Many Words)」といったステータスコードまで、RFC 6919 の拡張キーワードを交えて厳密に定義しています。

……実はこれ、4月1日の「April Fools’ Day RFC(エイプリルフールRFC)」を目指して投稿したのですが、申請直後に独立投稿エディタ(ISE)から「エイプリルフール枠は4月1日までサプライズにする必要があるから、事前に Internet-Draft の公開ディレクトリに載せちゃダメだよ😅」と優しくツッコミを受け、今年の応募資格を見事に失ってしまいました。

せっかくなので「供養&記念」として、IETFに公開された仕様書の日本語訳をここに置いておきます。日常会話の通信エラー(UDPモードやACKストームなど)にお悩みの方は、ぜひご一読ください!

本記事は、IETF に Internet-Draft として公開した draft-sakai-hcttp-00 の日本語訳です。
Network Working Group
Internet-Draft
想定ステータス: Informational(情報提供)
有効期限: 2027年5月20日
H. Sakai
Crestboz Corporation
2026年11月16日

人間会話ターンテイキングプロトコル(HCTTP)

Human Conversational Turn-Taking Protocol (HCTTP)
draft-sakai-hcttp-00

概要(Abstract)

本仕様書は、複数ノード間における人間の音声対話を対象とした統合セッション層通信プロトコルである「人間会話ターンテイキングプロトコル(HCTTP: Human Conversational Turn-Taking Protocol)」を規定する。HCTTP は、共有音響チャネル上におけるコネクション確立(3ウェイ・ハンドシェイク)、トークン調停、話者交代(ターン遷移)、リアルタイムの相槌シグナリング(ACK/NACK)、動的レート制御、会話パディング(フィラーフレーム)、衝突回復、および標準化された会話ステータスコードを形式化する。

本メモのステータス(Status of This Memo)

本 Internet-Draft は、BCP 78 および BCP 79 の規定に完全に準拠して提出されたものである。

Internet-Draft は Internet Engineering Task Force(IETF)の作業文書である。他のグループも作業文書を Internet-Draft として配布することがある。現在の Internet-Draft の一覧は https://datatracker.ietf.org/drafts/current/ にある。

Internet-Draft は最大6ヶ月間有効な草稿文書であり、いつでも更新、置換、または他の文書によって廃止される可能性がある。Internet-Draft を参考資料として使用したり、「作業中(work in progress)」以外の目的で引用したりすることは不適切である。

本 Internet-Draft の有効期限は 2027年5月20日である。

著作権表示(Copyright Notice)

Copyright (c) 2026 IETF Trust and the persons identified as the document authors. All rights reserved.

本文書は、公開日時点で有効な BCP 78 および IETF 文書に関する IETF Trust の法的規定(https://trustee.ietf.org/license-info)に従うものとする。本文書に関するあなたの権利と制限事項が記載されているため、これらの文書を注意深く確認すること。

目次(Table of Contents)

1. はじめに(Introduction)

共有された言語的・音響的チャネル上で行われる人間の音声対話は、時期尚早な割り込み、未処理の無音状態、バッファ枯渇、コンテキストの不一致、パケット衝突(発話の重複)といった協調動作の異常に頻繁に見舞われる。社会学的な会話分析(CA: Conversation Analysis)は経験的な話者交代のメカニズムを観察してきたが、実際の対話システムや人間の参加者には、厳密で強制力のあるプロトコル仕様が欠けていることが多い。

本メモは、経験的な会話分析モデルと厳格なネットワークトランスポート仕様を橋渡しする「人間会話ターンテイキングプロトコル(HCTTP)」を標準化するものである。

2. 表記法および用語(Conventions and Terminology)

本文書におけるキーワード “MUST”、”MUST NOT”、”REQUIRED”、”SHALL”、”SHALL NOT”、”SHOULD”、”SHOULD NOT”、”RECOMMENDED”、”NOT RECOMMENDED”、”MAY”、および “OPTIONAL” は、BCP 14 [RFC2119] [RFC8174] に記載されている通りに解釈されるものとする。

さらに、人間の習慣的なコミュニケーション失敗モードを考慮し、[RFC6919] のキーワードである “MUST (BUT WE KNOW YOU WON’T)”(〜しなければならない(が、どうせやらないことは分かっている))、“SHOULD CONSIDER”(〜することを検討すべきである)、および “OUGHT TO”(〜するほうがよい) を組み込んでいる。

3. セッション管理とハンドシェイク(Session Management and Handshake)

3.1. 3ウェイ・ハンドシェイク(セッション確立)

会話ペイロードを送信する前に、ノードは標準的な 3ウェイ・ハンドシェイクを通じてステートフルなセッションを確立しなければならない(MUST):

3.2. 正常終了(グレースフル・ティアダウン)とリセット

会話セッションを正常に終了させるには、開始側ノードが FIN フレーム(例:「それじゃあ、そろそろ仕事に戻るね」)を送信しなければならない(MUST)。FIN-ACK(例:「了解、また近いうちに話そう」)を受信した時点で、セッションは正式にクローズされる。

予期しない物理的な割り込み(電話の着信、緊急アラームなど)が発生した場合、一方的にコネクションを切断するために即座に RST フラグ(例:「ごめん、もう行かなきゃ!」)をブロードキャストしてもよい(MAY)。

4. アーキテクチャとフレーム形式(Architecture and Frame Formats)

4.1. 発話構成単位(TCU: Turn Constructional Unit)

送信側の話者ノードから送出される最小のアトミック(不可分)なデータパケットを「発話構成単位(TCU)」と定義する:

  • Payload(ペイロード): 意味的および言語的なコンテンツ(単語、フレーズ、文)。
  • TRP Header(移行適切場ヘッダ / Transition Relevance Place): イントネーションの下降、文法的な文の完結点、または呼吸のための休止によって示されるフレーム終端マーカーであり、発言権トークンを譲渡する準備ができたこと(EOF)を示す。

4.2. フィードバックフレーム(相槌シグナル)

聞き手ノードは、主たる TCU ストリームを中断させることなく、帯域外(アウトオブバンド)のバックチャネルを通じて非同期の制御フレームを送信してもよい(MAY):

  • ACK(標準確認応答): 例:「うん」「ええ」「なるほど」。パケットの復号成功を確認し、現在の送信ビットレートを承認する。
  • DUP_ACK(重複 ACK / 早送り要求): 例:「うんうんうん」「そうそう」。ペイロードの事前処理が完了していることを通知し、結論に向けて即座にペイロードを圧縮するよう要求する。
  • NACK(否定応答): 例:「えっ?」「何だって?」、首を傾げる変調動作。復号失敗またはコンテキストの不一致を通知し、別の言語的エンコーディング(言い換え)による再送を要求する。
  • EMOTIONAL_ACK(QoS 増幅器): 例:「マジで!?」「信じられない!」。高い関与度を示し、会話の帯域幅を増幅させる。

4.3. フィラーフレーム(TOKEN_HOLD パディング / NOP)

送信側ノードが発言権トークンを手放すことなく語彙検索のための計算レイテンシを必要とする場合、ゼロエントロピーの会話パディングフレーム(TOKEN_HOLD)を送信してもよい(MAY)。これは一般的に「えーっと…」「あのー…」「なんか…」などとして具現化される。

ノードは 3.0秒を超える連続した TOKEN_HOLD パディングを送出してはならない(MUST NOT (BUT WE KNOW YOU WILL) / してはならないが、どうせやることは分かっている)。この閾値を超過すると、対向の聞き手ノード側で自動的に 408 (Request Timeout) がトリガーされる。

5. ターンテイキング・アルゴリズム(Turn-Taking Algorithm)

着信した TCU 内の TRP デリミタ(区切り記号)を検出した際、すべての参加ノードは以下の決定論的な優先順位ルールに従って調停を実行しなければならない(MUST):

  • Rule 1(明示的ルーティング): 音声による呼びかけ(名前)または指向性ビームフォーミング(視線)によって宛先アドレスが明示的に指定される。
  • Rule 2(CSMA/CD 競合): 受信ノード群が先着順で音響媒体の獲得を競い合う。
  • Rule 3(話者継続): 送信ノードがセッションを保持し、後続の TCU 送信を開始する。

受信ノードは、明示的な TRP デリミタの検証が完了する前に Rule 2 の競合を実行することを控えなければならない(MUST (BUT WE KNOW YOU WON’T) / 控えなければならないが、どうせやらないことは分かっている)。

6. フロー制御とレート適応(Flow Control and Rate Adaptation)

送信側ノードは、フィードバックフレームに基づいてペイロードの配信を動的に適応させなければならない(MUST):

  • ACK 受信時: ビットレートを維持し、現在の TCU ストリームを継続する。
  • DUP_ACK 受信時: 送信ノードはペイロードを圧縮し、直接結論へ進むことを検討すべきである(SHOULD CONSIDER)。
  • NACK 受信時: ストリームを停止し、より簡潔な意味構造を用いて低いボーレートで直前の TCU を再送する。
  • NO_ACK タイムアウト: 2.0秒以内に ACK を受信しない場合、送信を一時停止して PING(「まだ聞いてる?」)を発行することで Keep-Alive 状態に入る。PONG(「ごめん、うん、聞いてるよ」)を受信したら送信を再開する。

7. 衝突検知と回復(Collision Detection and Recovery)

複数のノードが同時に音声キャリアを送出すると、チャネル衝突(Overlapped Speech / 発話被り)が発生する:

衝突を検知した際の手順は以下の通りである:

  1. 割り込んだ側、または優先度の低いノードは、即座に PAUSE を実行し、リスニング状態へ戻らなければならない(MUST)。
  2. 発言権を譲る側のノードは、ACK_REPAIR フレーム(例:「ごめん、どうぞ続けて」)を送出すべきである(SHOULD)。
  3. チャネル調停は標準の Rule 1 / Rule 2 状態へリセットされる。

8. 会話ステータスコード(Conversational Status Codes)

HCTTP は、セッションのフィードバックや認知状態を表すために標準的な3桁のステータスコードを採用する:

表1: HCTTP 会話ステータスコード
コード 名称 説明
100 Continue 聞き手が受信を確認し、語りの継続を承認した。
200 OK 言語ペイロードが完全に復号され、受理された。
400 Bad Context 発話が会話の文脈または論理的一貫性に違反している。
403 Forbidden Topic 話題が社会的境界またはタブーの制約に違反している。
408 Request Timeout 話者または聞き手が長時間の沈黙(> 3.0秒)で停止した。
429 Too Many Words 話者が聞き手のバッファ容量を超過している(マシンガントーク)。
503 Service Unavailable ノードの認知処理能力が枯渇している(疲労または酩酊状態)。

9. 障害定義とプロトコルエラー(Fault Definitions and Protocol Errors)

表2: プロトコル障害コード
障害コード 役割 説明およびシステムへの影響
UDP Mode 送信側 TRP ヘッダを省略し、ACK フレームを無視する。聞き手側のバッファオーバーフローを引き起こす。
NACK Invalidation 送信側 NACK フレームを無視して再送を行わず、セッションの破損を引き起こす。
ACK Storm 受信側 復号を行わずに高速で ACK フレームを連発する。意味の乖離(セマンティック・ダイバージェンス)を招く。
Silent Drop 受信側 深い内部思考処理中に ACK を省略し、不要な PING を誘発する。
Interrupt Bug 受信側 TRP 検出前に Rule 2 を強制実行し、過剰な衝突を誘発する。

10. IANA に関する考慮事項(IANA Considerations)

本文書は、Service Name and Transport Protocol Port Number Registry において、会話トークン調停用のウェルノウンポート番号を割り当てるよう IANA に要請する:

さらに、第8章で定義された HCTTP 会話ステータスコード用のレジストリを設立することを IANA に要請する。

11. セキュリティに関する考慮事項(Security Considerations)

ノードは、不正なチャネル侵入、悪意あるペイロード注入、あるいは過剰な長広舌(フィリバスター)や割り込みによるサービス拒否(DoS)攻撃を防止するため、適切な認証および感情暗号化(礼儀作法プロトコル層 / Politeness Protocol Layer)を実装しなければならない(MUST)。

貢献者(Contributors)

以下の非人間エンティティ(non-human entity)は、プロトコル仕様の策定、ステートマシンの形式化、および本文書の起草に大きく貢献した:

  • Gemini (Google)

謝辞(Acknowledgments)

著者は、共同でのプロトコル設計および起草を行った Gemini (Google)、ならびに人間のターンテイキング・ステートマシンを経験的にリバースエンジニアリングした会話分析(Conversation Analysis)研究コミュニティに感謝の意を表する。

参考文献(References)

規範的参考文献(Normative References)

参考参考文献(Informative References)

著者の連絡先(Author’s Address)

Hideaki Sakai
Crestboz Corporation
Japan