Googleが現地時間9月15日、音声で対話するためのAIモデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を公開しました。前者は規模と費用効率を、後者は複雑な作業をこなす推論力を担当する役割分担です。どちらも同日から、開発者向けのAPIと一般ユーザー向けサービスの両方で順次利用できるようになっています。
同じ「Live」でも狙いが違う2本立て
音声エージェントに求められる性格は、用途によってかなり違います。注文の受け付けや案内のように短いやり取りを大量にさばく場面では、応答の速さと運用コストが効いてきます。一方、条件を整理しながら手続きを進めるような場面では、多少待たされても正確に考えてくれるモデルの方が役に立ちます。
今回の2モデルは、この違いをそのまま製品の切り分けに使っています。Gemini 3.8 Liveは大規模運用と費用効率を前提に設計され、会話の自然さと視覚情報の理解を両立させたモデルです。Gemini 3.8 Live Extended Thinkingは複雑度の高いタスク向けで、多段階の推論を重ねられる点が売りになります。
話しながら見て、話しながら裏で動く
Gemini 3.8 Liveで目を引くのは、会話を止めない工夫が具体的に積まれている点です。
まず言語の切り替えです。対応する97言語のなかから、会話の途中で使われている言語を自動で検知して切り替えます。話者が言語を混ぜても、こちらが設定し直す必要はありません。
次に視覚です。カメラなどから入ってくる映像をほぼリアルタイムで処理し、いま目の前にあるものを踏まえた受け答えができます。手元の機器を映しながら操作を尋ねる、といった使い方が想定されています。
そして3つ目が、ツールやAPIの呼び出しをバックグラウンドで実行する仕組みです。従来の音声アシスタントは、外部処理が終わるまで沈黙が続きがちでした。Gemini 3.8 Liveは依頼を受け取ったことをまず口頭で返し、処理が裏で走っている間も会話を続けられます。
「考えながら話す」Extended Thinking
Extended Thinkingの特徴は、推論と発話を同時に進める点にあります。
考えている間に黙り込むのではなく、「ちょっと確認しますね」といった前置きを先に返し、その後も進捗を言葉で実況しながら多段階の処理を進めます。人間同士の電話でも、調べ物をしている側が無言になると不安になるものですが、その感覚に近い問題への対処と言えます。
Googleが公開したデモでは、手描きのスケッチと音声のフィードバックからReactコンポーネントを組み立てる例、複数の予約を非同期に処理しながら会話を途切れさせない例、事業計画やマーケティング用の資料を会話だけで作る例が示されています。
ベンチマークでの位置づけ
数値面では、Extended Thinkingが目立つ結果を出しています。
Artificial AnalysisのSpeech to Speech Quality Indexでは82.6を記録し、総合1位となりました。エージェントとしてのタスク完遂率では、τ-Voiceで68.6パーセント、Sierraのτ-Voice-bankingで35.1パーセントです。音声での推論を測るBig Bench Audioでは97.7パーセントを記録しています。Googleは、他の最前線モデルと比べて価格競争力を保ったままこの水準に届いたと説明しています。
Gemini 3.8 Liveの方は、利用者の好みで順位が決まるSpeech Agent Arenaで2位に入りました。音声エージェントの評価基盤であるServiceNowのEVA-Benchでも、正確さと会話品質のバランスという観点で到達点を押し上げたとしています。なおEVA-Benchの計測は、Gemini Enterprise Agent Platform上のLive APIで実施されたものです。
ベンチマークの数字は評価方法の設計に左右されるため、そのまま体感の良さに直結するとは限りません。ただ、価格帯を維持したまま上位に並んだという主張は、音声エージェントを実運用に乗せたい事業者にとっては無視しにくい材料になります。
開発者側の受け皿と安全対策
Gemini Live APIを経由する形で、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsといった開発者向けプラットフォームが対応します。リアルタイム配信まわりの面倒な部分をこれらの基盤に任せられるため、開発側はユーザー体験の設計に集中しやすくなります。導入に前向きな企業としては、Salesforce、Genspark、Lumerisの名前が挙がっています。
安全面では、生成された音声すべてに電子透かし「SynthID」が埋め込まれます。人の耳では判別できない形で音声そのものに織り込まれるため、AIが作った音声かどうかを後から機械的に確認できます。音声合成の品質が上がるほど、この種の識別手段の重みは増していきます。
どこで使えるか
Gemini 3.8 Liveは、開発者向けにはGemini APIとGoogle AI Studioで提供されます。企業向けにはGemini Enterpriseでプライベートプレビューとして始まり、Gemini Enterprise for Customer Experienceへの提供も予定されています。一般ユーザーはSearch Liveで触れられます。
Gemini 3.8 Live Extended Thinkingも、開発者向けの提供先はGemini APIとGoogle AI Studioです。企業向けはGemini Enterpriseでのプライベートプレビューから始まり、Gemini Enterprise for Customer ExperienceとGoogle Workspaceの法人利用者への提供が続きます。一般ユーザー向けはGemini Liveのほか、Google AI ProとUltraの契約者はWorkspaceのDocsで、Google AIの契約者はGmailとKeepで利用できます。
まとめ
Gemini 3.8 Liveは規模と費用効率を、Gemini 3.8 Live Extended Thinkingは推論力を担当する2本立ての音声AIモデルです。97言語の自動切り替え、ほぼリアルタイムの視覚理解、バックグラウンドでのツール実行といった機能で会話の途切れを減らし、Extended ThinkingはSpeech to Speech Quality Indexで82.6の総合1位を記録しました。開発者はGemini APIとGoogle AI Studioから、一般ユーザーはSearch LiveやGemini Liveから順次触れられます。
