Google、Gemini 3.8に対話型アバター機能を追加：97言語のリップシンクに対応

テキストのやり取りや、画面上で波打つ音声アイコンに話しかける時代は、そろそろ過去のものになるかもしれません。

Google は、先日公開した Gemini 3.8 Live に続き、Gemini 3.8 Live with Live Avatar を発表しました。リアルタイムに近い動画生成とネイティブな音声対話モデルを組み合わせ、耳を傾け、相手を見て、会話を交わす視覚的なアバターを実現しています。

同機能はすでに Gemini Enterprise 向けに提供が始まっています。

97言語を切り替えながら、裏でホテルのチェックインをこなす

従来のバーチャルアシスタントにありがちだった不自然な口の動きや無表情さを解消すべく、Live Avatar は精密なリップシンクと滑らかな発話交代を重視しています。

視覚と音声の入力を同時に処理するため、相手の表情や周囲の様子を見ながら、自然なトーンで会話を進めることができます。

際立っているのが多言語対応の完成度です。97言語のネイティブな音声同期に対応しており、対話の途中で急に言語を切り替えても、映像の乱れや顔の歪みを生じさせることなく、口の動きと表情をスムーズに適応させます。

実務面で最も効果的なのは、非同期のツール呼び出しです。これまでの対話型 AI は、外部システムへの問い合わせが発生すると沈黙してしまいがちでした。Live Avatar はバックグラウンドでデータを取得しながら、手前の会話を止めることなく自然につなぐことができます。

公開されたデモでは、ホテルのチェックイン手続きを裏で実行しながら、フロント係としてゲストと途切れることなく笑顔で雑談を交わす様子が紹介されました。

あらかじめ用意されたプリセットから選ぶだけでなく、企業は高品質な参照画像を1枚提供するだけで、ブランド独自のキャラクターを動かすことも可能です。なお、カスタムアバターの作成は現在ホワイトリスト制となっており、生成された映像と音声には SynthID による不可視の電子透かしが埋め込まれます。

なぜ重要か

ホテルのフロント業務や窓口サポート、インタラクティブな施設案内などを手がける企業にとって、音声のみの自動応答から大幅な体験向上が見込めます。画像1枚から動くアバターを仕立てられる手軽さは、これまで高額な 3D モデリングに手を出せなかった企業にとっても魅力的です。

業界全体で見れば、AI の競争軸がテキストや音声の応答速度だけでなく、リアルタイムな映像生成を伴う存在感の再現へと引き上げられたと言えます。

特に評価できるのは、非同期ツール呼び出しという極めて現実的な課題への回答です。見た目の美しさだけを追求するのではなく、裏でデータ処理を走らせながら会話を続けさせる仕組みこそが、実用的な業務エージェントとしての価値を決定づけます。

一方で、リアルタイムの映像生成にかかる膨大なインフラコストは導入時のハードルになるはずです。また、SynthID の透かしがあるとはいえ、写真1枚から対話可能な人物アバターを作れてしまう技術は、なりすまし対策の面で企業側の厳格な運用が求められます。