Google、Gemini視覚支援を全Android端末へ拡大

米Google（米国の検索・クラウド・AI大手企業）は10月22日、音声対話型AIサービス「Gemini Live」における視覚支援機能「Guided Vision」について、すべての互換Android端末へのロールアウト完了を公式Xアカウント（@Android）で発表した。Android機能更新プログラム「Android Drop」で先行導入されていた同機能が、Android 9以降を搭載する全互換スマートフォンへ一般提供拡大された形となる。ユーザーがカメラを周囲にかざすだけで、AIがリアルタイムに情景や文字を音声で解説し、カメラの向きや構図の調整まで能動的に音声指示する。

対話型で構図調整を促す「Guided Vision」の特徴

Guided Visionは、視覚障害者やロービジョン（弱視）のユーザーをはじめ、日常的な視覚確認サポートを必要とする人々に向けて設計されたアクセシビリティ機能である。従来の静止画解析ツールと異なり、Gemini Liveのカメラ共有を通じて双方向の音声対話パートナーとして動作する。

• ​能動的なリフレーミング（構図誘導）​: カメラが対象物に近すぎたり、上に向きすぎて見切れたりしている場合、Geminiが「ゆっくり右に向けて」「少し後ろに下がって」などと自然な音声で指示し、解析に必要な画角へと誘導する。
• ​細かい文字や複雑な表記の読み上げ​: 食品パッケージの栄養成分表示、家電製品の操作ダイヤルや洗濯機のモード表記、薄暗いレストランの印刷メニューなどを即座に読み取る。
• ​身の回りの捜索と詳細確認​: 床に落としたイヤホンを探したり、スパイスラックから特定の調味料を特定したりする探索タスクを音声で支援。衣服のストライプ柄とズボンの色の組み合わせ確認など、色やパターンの照合にも対応する。

開発にあたっては視覚支援プラットフォームを提供する「Aira」と提携し、1,000名以上のテスターとともに数万時間に及ぶ検証を実施した。

項目	従来の画像解析（Google レンズ等）	Guided Vision（Gemini Live）
インターフェース	静止画撮影による都度検索	カメラ動画のリアルタイム常時ストリーミング
対話形式	検索結果の画面表示・テキスト中心	完全ハンズフリーの双方向音声対話
撮影支援	ユーザーが自身で画角を調整	AIが「右に動かして」「下がって」と音声誘導
起動方法	アプリ起動・ウィジェット	アクセシビリティショートカットやTalkBack連携

日本語対応と日常操作への統合

Guided Visionは日本を含む複数地域のコミュニティからのフィードバックを取り入れて開発されており、日本語をはじめとする複数言語での自然な対話と構図指示に対応している。

Android端末の日常操作にシームレスに組み込めるよう、複数のアクセス経路が用意されている。

• Geminiアプリ​: プロフィール設定内の「LiveでGuided Visionを使用」をオンにしてカメラ共有を開始。
• ​アクセシビリティショートカット​: 設定の「視覚サポート」から、フローティングボタン、2本指スワイプ、または音量両ボタン長押しでの即時起動が可能。
• TalkBack連携​: 画面読み上げ機能「Google TalkBack」の3本指タップメニューから直接呼び出し可能。

未確認事項と利用上の留意点

本機能は日常生活の利便性を高める支援ツールとして設計されており、Googleは医療機器やナビゲーション用白杖（はくじょう）の代替ではないと強調している。段差や障害物の安全検知、屋外歩行の誘導といった安全に直結する移動用途には適しておらず、既存の歩行補助具や安全確認を併用する必要がある。

利用にはAndroid 9以上を搭載し、Gemini Liveがサポートされている地域・言語の環境が必要となる。

分析・展望

スマートフォンのマルチモーダルAIは、これまで「画面上の情報を読む」「撮影した写真を解説する」という受け身の処理が中心だった。Guided Visionが全互換端末へ開放されたことは、AIが実世界の物理空間をリアルタイムに捉え、「どう見せればよいか」を人間にフィードバックする能動的エージェント（プロアクティブAI）の本格的な普及を意味する。

特にアクセシビリティの領域は、マルチモーダルLLMの低遅延ストリーミング処理と音声合成の進化が最も直接的な生活向上につながる分野である。今後はスマートグラスなどのウェアラブル端末との統合が進むことで、視覚支援の在り方がさらに大きく進化していくとみられる。

引用元：X (Twitter)