0:00 0:00
記事
Google、「Gemini 3.8 Live」を発表——音声対話AIでSpeech to Speech Index首位を獲得
Google DeepMindが音声対話に特化した新モデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を公開しました。視覚情報のリアルタイム認識や97言語の自動切り替えに対応し、ベンチマークで最高水準のスコアを記録しています。
Google DeepMindは、音声対話に特化した新しい2つのモデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表しました。いずれもGeminiファミリーとしてこれまでで最も高度な音声対話モデルと位置づけられており、複雑な推論力と並列処理性能が大きく引き上げられたことで、声だけで複雑なタスクをこなせるようになったといいます。
2つのモデルで用途を使い分ける設計
今回投入されたのは性格の異なる2モデルです。Gemini 3.8 Liveはスケールとコスト効率を重視して設計されており、自然な対話の流れと視覚情報の理解を両立させています。一方のGemini 3.8 Live Extended Thinkingは、複雑さの高いタスク向けに知能と多段階推論を強化したモデルで、企業のエンタープライズ用途を意識した位置づけです。開発者やビジネス利用者は、リアルタイム性を重視するか、複雑なワークフローの正確性を重視するかで、2つのモデルを使い分けられます。
ベンチマークで示された性能の高さ
Gemini 3.8 Live Extended Thinkingは、Artificial Analysisの「Speech to Speech Quality Index」で82.6のスコアを記録し、総合首位を獲得しました。エージェント的なタスク完了能力を測るτ-Voiceでは68.6%、Sierraのτ-Voice-bankingベンチマークでは35.1%を記録し、Big Bench Audioでも97.7%という高い推論性能を示しています。標準版のGemini 3.8 Liveも「Speech Agent Arena」で2位につけており、コスト効率を保ちながら高い評価を得ている点が特徴です。
画像引用元: Google DeepMind Blog
リアルタイム視覚認識と97言語対応
Gemini 3.8 Liveは視覚入力をほぼリアルタイムに処理でき、会話の文脈に応じてより有用な応答を返せます。加えて97言語を自動検出し、会話の途中でも言語を切り替えられる点も特徴です。バックグラウンドでツール実行やAPI呼び出しを継続しながら会話を続けられるため、モデルがリクエストを受け取った時点で応答しつつ、処理が完了するまで自然な対話を保てます。Gemini 3.8 Live Extended Thinkingではさらに、「ちょっと確認しますね」といった自然な相槌を挟みながら、複数ステップの処理の進捗を会話の中で説明する機能も備えています。
新モデルが対応する主な機能は次の通りです。
- 視覚コンテキストの理解: 画面共有やカメラ映像をリアルタイムに解析し、会話に反映
- 97言語の自動切り替え: 会話の途中でも言語をまたいで応答
- バックグラウンドでのツール実行: 会話を止めずにAPI呼び出しやタスク処理を継続
- 進捗のナレーション: 複数ステップの処理状況を会話形式で説明(Extended Thinkingのみ)
- SynthIDによる透かし: 生成された音声すべてに識別用の電子透かしを付与
開発者・企業への展開状況
Gemini Live APIを通じて、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsといった開発者プラットフォームが既にこれらのモデルを組み込めるようになっています。これらのプラットフォームがリアルタイムのメディアストリーミング基盤を裏側で管理するため、開発者はユーザー体験の作り込みに集中できるとしています。SalesforceやGenspark、Lumerisといった企業もこの2モデルのレイテンシや対話の滑らかさ、ツール呼び出し性能を評価してパートナーシップを結んでいるとのことです。
Gemini 3.8 Liveは本日より、開発者向けにはGemini APIとGoogle AI Studioで、企業向けにはGemini Enterpriseのプライベートプレビューで提供が始まっています。一般ユーザー向けにはSearch Liveで利用可能です。Gemini 3.8 Live Extended Thinkingも同様に本日から展開されており、Gemini LiveアプリやGoogle AI Pro/Ultraサブスクライバー向けのWorkspace(Docs Live、Gmail Live、Keep Live)でも順次利用できるようになります。
音声で業務を進めたい開発者やエンタープライズ担当者にとっては、まずAPIやAI Studioで実際の応答速度とツール呼び出しの安定性を試し、既存の音声エージェントの置き換えが可能かを見極めることが次のステップになりそうです。
Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking
Gemini 3.8 Live and Gemini 3.8 Live Extended Thinking are our most advanced live dialogue models yet, built for natural conversation.
