Google、Gemini 3.8 Live 発表。会話を止めず推論とツール実行

Google DeepMind は、音声対話に特化した2つの新モデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表した。Gemini API、Google Workspace、Gemini アプリから即日利用できる。Gemini 3.8 Live は規模とコスト効率を前提に設計され、会話の流暢さと視覚的なグラウンディングを組み合わせる。Extended Thinking は複雑度の高いタスク向けで、多段の推論を担う位置づけだ。

同社が挙げたベンチマークでは、Extended Thinking が Artificial Analysis のSpeech to Speech Quality Index で 82.6 を記録して総合1位、エージェント的なタスク完遂を測るVoice-banking ベンチマークで 68.6%、Big Bench Audio で 97.7% としている。Gemini 3.8 Live 側はユーザー選好の評価で2位につけ、コスト効率の高さを訴求する。いずれも同社の自己申告値で、第三者による再現の報告はまだない。

技術的に目を引くのは3点だ。1つ目は視覚入力をほぼリアルタイムに処理し、カメラに映っているものを会話の文脈へ取り込む点。デモでは新人研修の現場支援や、盤面を見ながらのチェス対局が示されている。2つ目は97言語に対応し、会話の途中で話者の言語が変わっても自動で検出して追随する点。3つ目が実務上いちばん効きそうな部分で、ツール呼び出しや API 実行を会話の裏側で走らせる。モデルは依頼を受け取った旨を先に返しながら雑談を続け、処理が終わった時点で結果を差し込める。

Extended Thinking はここをさらに進め、推論しながら同時に話す。返答の冒頭に相づちに当たる短い発話を置いて「聞いている」ことを示し、多段のバックグラウンド処理については進捗を口頭で実況する。手描きのスケッチと音声フィードバックから React コンポーネントを組み立てる、非同期の関数呼び出しを挟みながら複数ステップの予約を進める、といった例が公開されている。

音声エージェントが実務で使い物にならなかった最大の理由は、モデルが考えている間の沈黙と、ツール実行のたびに会話が切れることだった。今回の2モデルはそこを正面から潰しにきている。Google Workspace では Docs Live、Gmail Live、Keep Live に、検索では Search Live に組み込まれる。Salesforce、Genspark、Lumeris がレイテンシーとツール呼び出しの挙動を評価するパートナーとして名前を挙げられており、生成音声には SynthID による電子透かしが入る。