Google、音声AI「Gemini 3.8 Live」発表

米Googleは2026年9月16日、人間のような自然な会話とニアリアルタイム推論を実現する2つの新型音声対話モデル「Gemini 3.8 Live（Googleのリアルタイム音声・マルチモーダル対話モデル）」および「Gemini 3.8 Live Extended Thinking」を正式発表しました。会話を途切れさせることなくバックグラウンドで思考やツール呼び出しを実行できるアーキテクチャを採用しており、Google AI StudioやGemini APIを通じて即日提供が開始されました。

2つのモデル特性と公式ベンチマーク結果

Googleが投入した2つのモデルは、用途やコスト要件に応じて明確に差別化されています。

1. Gemini 3.8 Live: 大規模運用とコスト効率を重視したモデル。視覚情報によるグラウンディングと流暢な対話性能を備え、会話の途中で自動的に認識・切り替えが可能な97言語に対応します。
2. Gemini 3.8 Live Extended Thinking: 複雑な多段階推論を要するタスク向けモデル。「確認しますね」といった自然な相槌を打ちながら、バックグラウンドでのタスク進行状況をリアルタイムで音声実況し、会話フローを止めずに処理を完結させます。

公式発表で公開された主要ベンチマークスコアは以下の通りです。

ベンチマーク指標	Gemini 3.8 Live Extended Thinking	備考
Speech to Speech Quality Index	82.6	Artificial Analysis評価で総合1位を獲得
​τ-Voice (Agentic Task)	68.6%	音声エージェントによるタスク完遂率
Sierra τ-Voice-banking	35.1%	金融機関向け複雑ワークフロー検証
Big Bench Audio	97.7%	音声推論および文脈理解能力

また、安全対策として生成されたすべての音声出力には不可視の電子透かし「SynthID」が直接埋め込まれており、AI生成音声の不正利用や偽情報の拡散防止に配慮されています。

音声アプリ開発の比較と未確認事項

開発者向けには、音声文字起こしモデル「Gemini 3.5 Transcribe」と組み合わせたリアルタイム音声アプリケーション構築支援が発表されました。Agora、LiveKit、Pipecat、Vercelなどの主要リアルタイムインフラプラットフォームとの統合が完了しており、ストリーミング通信の実装負荷が大幅に軽減されています。

従来の音声AIパイプライン（音声認識→テキストLLM処理→音声合成）と比較して、Gemini 3.8 Liveは音声を直接理解・生成するネイティブ音声アーキテクチャを採用しているため、レイテンシが大幅に圧縮され、割り込み（バージイン）や感情のニュアンス表現が自然になっています。

一方で未確認事項として、日本語環境における音声合成のアクセント精度や話者バリエーション、およびLive APIの大規模商用利用時の従量課金レートの詳細については、各リージョンでの順次展開に伴う追加情報が待たれます。

音声ファーストUIの普及に向けた展望

これまで音声AIアシスタントの課題であった「思考中の沈黙」や「不自然な機械音」に対し、推論と音声対話を並行処理する技術アプローチは実用性を大きく引き上げると評価されます。カスタマーサポート窓口や車載システム、スマートデバイスにおける音声インターフェースの導入が急速に進むとみられます。

引用元：Google | Google | ITmedia NEWS | 窓の杜