Googleは、音声対話に特化した新モデル「Gemini 3.8 Live」と、高度な推論機能を備えた上位版「Gemini 3.8 Live Extended Thinking」を発表した。開発者はGemini APIとGoogle AI Studioを通じて即座に利用でき、一般ユーザーもSearch LiveやGemini Live、Google Workspaceの各アプリで順次アクセスできるようになる。

会話としての自然さを追求

Gemini 3.8 Liveは、スケーラビリティとコスト効率を重視して設計された。近リアルタイムでの音声対話処理に加え、97言語をシームレスに自動切り替えできる点が特徴だ。会話中に画面上の視覚情報をリアルタイムで処理する機能や、対話の裏側でツールを並行実行する機能も備える。

上位版のExtended Thinkingは、複雑なタスクに対応する高度な推論機能を組み込んでいる。回答中に「ちょっと確認しますね」といった自然な間つなぎの発話を挟みながら、推論と発話を同時進行できる設計だ。単なる質疑応答を超えて、複数ステップにわたる指示への対応力を高めている。

ベンチマークで示された性能

Googleが公開した性能指標によると、Extended ThinkingはArtificial AnalysisのSpeech to Speech Quality Indexで82.6のスコアを獲得した。エージェント型タスクの完了率を測るτ-Voiceでは68.6%、音声理解のBig Bench Audioでは97.7%を記録している。

生成される音声には、AIコンテンツの識別技術「SynthID」による電子透かしが組み込まれており、AI生成音声であることを技術的に判別できるようにしている。

開発者・企業への展開

Gemini 3.8 LiveとExtended Thinkingは、Gemini APIおよびGoogle AI Studioで開発者向けにすでに利用可能だ。企業向けにはGemini Enterpriseでプライベートプレビューが提供される。一般ユーザーは、Search LiveやGemini Live、Google Workspaceの各アプリ(Docs、Gmail、Keep)を通じてアクセスできる。

Googleはここ数カ月、Gemini 3.8 Flashなど低価格帯モデルの投入を続けてきたが、今回は音声対話という利用形態に軸足を置いた展開となる。テキストベースのチャットに続き、音声を介したエージェント型のやり取りが開発者向けプラットフォームの標準機能として定着しつつある流れがうかがえる。