Google、「Gemini 3.1 Flash Live」公開　自然な対話と複雑な音声推論に対応

音声AIアシスタントを使っていて最もストレスを感じるのは、こちらの言い淀みで勝手に会話を打ち切られたり、苛立っているのに平然と定型文を返されたりする瞬間です。

Googleは、同社史上最高品質の音声・音響モデルをうたう「Gemini 3.1 Flash Live」を発表しました。開発者向けにはGoogle AI StudioのGemini Live APIプレビュー経由で提供が始まり、法人向けカスタマーエクスペリエンス基盤のほか、一般向けのGemini LiveやSearch Liveにも展開されます。

声のトーンを読み取り、割り込みにも動じない

前世代の2.5 Flash Native Audioと比較して、新モデルは音響認識と推論精度の両面で進化しています。

音響面では話者の声の高さやテンポをより精密に捉え、困惑やフラストレーションの兆候を検知して応答のトーンを柔軟に変えられるようになりました。すでにVerizonやLiveKit、The Home Depotなどが業務ワークフローに導入し、自然な対話ができると評価しています。

ベンチマークでも高い数値を示しています。複雑な制約下でのマルチステップな関数呼び出しを評価するComplexFuncBench Audioでは90.8%を記録しました。また、現実の会話にありがちな言い淀みや割り込みへの耐性を測るScale AIのAudio MultiChallengeでは、思考モード有効時に36.1%のスコアを達成しています。

Gemini Liveでの利用では応答速度が向上したほか、会話の文脈を追跡できる長さが従来の2倍に伸びました。なお、生成されたすべての音声には透かし技術「SynthID」が直接埋め込まれ、AI生成コンテンツの識別が可能になっています。

Search Liveが世界200以上の国と地域へ

ネイティブな多言語対応を生かし、GoogleはSearch LiveをAI Modeが利用可能な世界200以上の国と地域へ一挙に拡大しました。

AndroidおよびiOSのGoogleアプリの検索バー下にあるLiveアイコン、あるいはGoogleレンズの画面下部からアクセスできます。

音声とカメラ映像を組み合わせたリアルタイム対話が特徴で、たとえば家具の組み立てで行き詰まった際にカメラを部品に向け、「このネジはどこにつける？」と声で尋ねるだけで、映像を認識しながら手順を案内してくれます。

なぜ重要か

Googleは、超巨大モデルの誇示ではなく、軽量なFlashモデルの実用性と応答性の改善に注力しており、非常に手堅い進化だと評価できます。

一般ユーザーにとって、コンテキスト保持期間が2倍になったことや、カメラと連動した音声検索が日常の困りごとに直結する価値は小さくありません。料理中や日曜大工など、両手が塞がっている場面では文字検索を完全に代替する可能性があります。

企業にとっても、顧客の不機嫌さを察知するニュアンス把握力と、90%を超える確実なAPI実行能力を兼ね備えた音声モデルは、実用的な電話対応エージェントを構築する上で極めて有力な選択肢になります。

ただ、ベンチマーク上の耐性向上と、世界200地域以上の不揃いなネットワーク環境下で遅延なく人間らしいテンポを保てるかは別問題であり、実際の通信レイテンシへの適応が今後の見極めポイントになりそうです。