Google、「Gemini 3.8 Live」発表　思考と発話を同時に行える音声AIモデル

従来の音声AIと会話する際、最大のストレスとなっていたのは、複雑な指示を出した瞬間に生じる「不自然な沈黙」でした。裏でツールを呼び出しているのか、それともフリーズしたのか分からず、ただ待たされる体験は実用に耐えうるものではありませんでした。

Googleはこの不自然さを解消すべく、大きな一歩を踏み出しました。米Googleは9月15日、新世代のリアルタイム音声モデル「Gemini 3.8 Live」および「Gemini 3.8 Live Extended Thinking」を発表しました。

考えながら話し、裏でツールを動かす

今回の最大の特徴は、モデルが思考やツール実行を行いながら、同時に発話を継続できる点にあります。

標準モデルのGemini 3.8 Liveは、近リアルの映像入力に対応しており、カメラを向けた対象について即座に会話できます。また、手動設定なしで97言語を自動検知して会話中に切り替える機能を備えています。さらに、バックグラウンドでAPIや外部ツールの実行を継続しながら、途切れずに会話を続けられます。

上位モデルの3.8 Live Extended Thinkingでは、複雑な多段階推論タスクにおいて「確認しますね」といった自然な相づちを打ちつつ、進捗をリアルタイムで口頭共有しながら裏で処理を進めます。画面に向かって待たされる感覚が大幅に軽減されています。

ベンチマークにおいても、3.8 Live Extended ThinkingはArtificial Analysisの音声対音声品質指数（Speech to Speech Quality Index）で82.6点を獲得し総合1位となりました。エージェント評価のτ-Voiceで68.6%、銀行業務を模したτ-Voice-bankingで35.1%、音声推論テストのBig Bench Audioで97.7%を記録しています。また、標準の3.8 LiveもSpeech Agent Arenaで2位につけています。

なお、生成された音声には悪用防止のため、Google独自の電子透かし「SynthID」が直接埋め込まれます。

現在、両モデルは開発者向けにGemini APIおよびGoogle AI Studioで提供が始まっており、LiveKitやAgora、Vercelなどのプラットフォームを通じて利用可能です。一般ユーザー向けにはSearch LiveやGemini Live、さらにGoogle Workspaceの一部アプリ（Docs、Gmail、Keep）で順次展開されています。

なぜ重要か

私たちは、Googleが音声AIエージェントの実用化における最大の壁だった「推論の深さと応答性のトレードオフ」を見事に解消してきたと評価しています。

これまでの音声エージェントは、応答速度を優先して単純な返答しかできないか、推論のために長い無音時間を強いるかの二者択一でした。バックグラウンド処理を進めながら状況を実況し、会話の文脈を維持する今回の挙動は、コールセンターや業務アシスタントにおける体験を劇的に変える可能性があります。

さらに強力なのがコスト競争力です。レビュアーの分析によると、Gemini 3.8 Liveは他社の主要リアルタイム音声モデル（GPT liveやGrok voiceなど）と同等以上の性能を示しながら、コストは数分の一という圧倒的な安さを実現しています。実運用でのAPI費用を大きく引き下げることで、Googleは音声エージェント市場における開発者の囲い込みを一気に加速させようとしています。