GoogleがGeminiの音声モデルを刷新、翻訳アプリにリアルタイム通訳ベータを追加

異なる言語を話す相手とスマホを挟み、機械的な音声読み上げを交互に待つあのぎこちない時間は、もうすぐ過去のものになるかもしれません。

Googleは、音声対話に特化した「Gemini 2.5 Flash Native Audio」のアップデートを発表しました。あわせてGoogle翻訳アプリにおいて、イヤホンを使ったリアルタイム音声翻訳のベータ版提供を開始しています。

相手の声のトーンのままイヤホンへ届くリアルタイム翻訳

今回の目玉は、Google翻訳アプリに導入されたリアルタイム音声翻訳機能です。

音声を一度テキスト化してから翻訳し、再び機械音声で読み上げる従来の手法とは異なり、ネイティブな音声処理によってリアルタイムの音声間変換を実現しています。最大の特徴は、話者の抑揚やペース、声の高さをそのまま維持して翻訳できる点です。

周囲の多様な言語を自分の母国語にリアルタイム変換して聞き続ける「継続リスニング」と、自分はイヤホンで相手の言葉を聞き、スマホのスピーカーから相手の言語を再生する「双方向会話」の2つのモードに対応します。

70以上の言語と2000以上の言語ペアをサポートし、一般的なイヤホンであれば機種を問わず利用可能です。まずは米国、メキシコ、インドのAndroid向けに展開が始まっており、iOSやその他の地域への対応は2026年を予定しています。

実務に耐える音声エージェントへの進化

開発者や企業向けには、音声エージェントの処理精度が大幅に引き上げられました。

指示への準拠率は従来の84％から90％に改善。外部ツールの呼び出しを検証する「ComplexFuncBench Audio」ベンチマークでは71.5％のスコアを記録し、会話の流れを乱さずに外部データを取得して音声応答に組み込めるようになりました。

すでに導入事例も出ています。Shopifyの担当者によると、マーチャント向けツール「Sidekick」の利用者は開始1分以内にAIと話していることを忘れるケースが多いといいます。また、米住宅ローン大手のUWMは、このモデルの統合によりブローカー向けに1万4000件以上のローンを創出したと明かしています。

このモデルはVertex AIで一般提供が開始され、Google AI StudioのプレビューやGemini Live、Search Liveにも順次導入されています。

なぜ重要か

専用の通訳デバイスを買わせるのではなく、世界中のユーザーがすでに持っているスマホと普通のイヤホンに通訳機能を載せてきた点が極めて合理的だと考えます。

従来の翻訳ツール最大の弱点だった処理の遅延や、機械音声特有の無機質さを、ネイティブ音声モデルによって一気に解消しにかかりました。海外出張や旅行はもちろん、外国語の講義や動画を日常的に視聴するユーザーにとっても、実用的なツールになる可能性があります。

業界全体にとっても、OpenAIなどの競合が音声機能を進化させるなかで、Googleが持つ翻訳アセットやAndroidという強固な流通網と直接結びついたインパクトは小さくありません。

ただし、現時点でのテスト提供は3カ国のAndroid端末に限られており、日本を含む多くの地域やiOSでの提供は2026年待ちとなります。騒音下での認識精度を含め、日常の実環境でどこまで公表通りの滑らかさを保てるかが今後の試金石になりそうです。