Google、音声対話モデルGemini 3.8 LiveとExtended Thinkingを発表

Gemini 3.8 Liveは、拡張性とコスト効率を重視し、自然な対話と視覚的グラウンディングを組み合わせたモデルである。視覚入力をほぼリアルタイムで処理し、97言語に対応して会話の途中でも言語を自動的に切り替える。ツール呼び出しやAPI呼び出しはバックグラウンドで実行され、処理が終わるまでの間も会話を続けられる。

Gemini 3.8 Live Extended Thinkingは、複雑なタスク向けに推論能力を高めたモデルで、推論しながら同時に話す。「Let me check that…」のような口頭の合図で依頼に応答し、複数ステップのバックグラウンド処理では進捗を音声で説明する。ベンチマークではτ-Voiceで68.6%、Sierraのτ-Voice-bankingで35.1%、Big Bench Audioで97.7%を記録したとしている。Gemini 3.8 LiveはSpeech Agent Arenaでユーザー選好が高く2位とされる。ServiceNowのEVA-Benchでは、精度と会話品質のバランスでParetoフロンティアを押し上げたという。

開発者向けにはGemini APIとGoogle AI Studioで両モデルが利用できる。Gemini Live APIを通じて、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsといったプラットフォームでも音声インターフェースを構築できる。Salesforce、Genspark、Lumerisなどが、レイテンシ、流暢さ、ツール呼び出し能力を評価しているという。

企業向けにはGemini Enterpriseでプライベートプレビューとなり、Gemini Enterprise for Customer Experienceでも近日提供予定である。一般向けには、3.8 LiveがSearch Liveで、3.8 Live Extended ThinkingがGemini Liveで利用できる。Workspaceでは、Google AI ProとUltraの契約者がDocsで、Google AIの全契約者がGmailとKeepで使える。生成された音声にはすべてSynthIDの透かしが入る。