「ChatGPTの音声モデルは良い、Sesame AIも良い、ではローカルで動くものは？」——コンシューマーGPU（12〜24GB VRAM）でリアルタイム音声対話を実現したいという需要は確実に存在する。現時点でその問いに明確に答えられる成熟したソリューションが存在するかどうか、ソースが示す実態を整理する。