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

Gemini 3.8 Live Extended Thinkingは、Artificial AnalysisのSpeech to Speech Quality Indexで82.6を記録して総合1位。エージェントタスクの完遂ではτ-Voiceで68.6%、Sierraのτ-Voice-bankingで35.1%とされ、Big Bench Audioでは97.7%である。Gemini 3.8 LiveはSpeech Agent Arenaでユーザー選好2位。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している。この評価はGemini Enterprise Agent Platform上のLive APIで実施された。

Gemini 3.8 Liveは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自動で言語を切り替える。ツールやAPI呼び出しをバックグラウンドで実行しながら会話を続けられる。Extended Thinkingは推論しながら同時に話す方式で、「Let me check that…」のような言葉で応答を示し、複数ステップの処理では進捗を実況する。

開発者向けにはGemini Live APIを通じ、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどのプラットフォームが音声インターフェースの構築を支える。Salesforce、Genspark、Lumerisもレイテンシ、流暢さ、ツール呼び出し能力を評価している。生成される音声にはすべてSynthIDの透かしが入る。

提供面では、両モデルともGemini APIとGoogle AI Studioで利用でき、Gemini Enterpriseではプライベートプレビューである。3.8 LiveはSearch Liveで、3.8 Live Extended ThinkingはGemini Liveのほか、Workspaceの一部サービスで一般向けに展開される。