Google、音声AI「Gemini 3.8 Live」発表。会話中に裏で処理

Googleは9月15日（現地時間）、音声対話向けのAIモデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表した。同日から開発者向けのGemini APIとGoogle AI Studio、一般向けのSearch LiveやGemini Liveなどで順次提供している。GeminiアプリやGoogle Workspace、Google検索でのやり取りもより滑らかになり、音声だけで複雑な作業に取り組めるという。

2つのモデルは役割が異なる。Gemini 3.8 Liveは規模の拡大とコスト効率を重視したモデルで、Extended Thinkingは多段階の推論を要する複雑なタスク向けだ。いずれも、開発者や企業が実運用に耐える音声エージェントを作るための基盤として位置付けられている。

Gemini 3.8 Liveは、カメラなどからの映像をほぼリアルタイムで処理して応答に反映する。対応する97言語は会話の途中でも自動で判別して切り替える。注目点はツールやAPIの呼び出しをバックグラウンドで実行できることで、依頼を受け付けた後もユーザーとの会話を続けながら処理を完了させられる。

Extended Thinkingは推論と発話を並行して行う。まず「少し確認します」といった短い返答を返し、進み具合を音声で伝えながら処理を続ける。音声対話では沈黙が長いと体験が損なわれるため、考える時間を会話の流れに組み込む設計といえる。

性能面では、Extended ThinkingがArtificial Analysisの「Speech to Speech Quality Index」で82.6を記録し総合1位となった。エージェント的なタスク完了を測る「τ-Voice」で68.6%、「τ-Voice-banking」で35.1%を記録し、いずれも首位。推論を測る「Big Bench Audio」では97.7%だった。銀行業務を想定した指標では首位でも35.1%にとどまっており、業務特化の音声エージェントにはまだ改善余地があることもうかがえる。

生成される音声には、すべて電子透かし「SynthID」が埋め込まれる。人には聞こえない形でAI生成であることを識別できるようにし、誤情報の拡散を抑える狙いだ。