Googleは、ほぼリアルタイムの推論の進歩を音声エージェント(voice agents)の実現に生かし、AIとの会話をより直感的で知的にするための2つの新モデル、Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表しました。
2つのモデルの特長とベンチマーク結果
Gemini 3.8 Liveは、スケールとコスト効率を重視して作られたモデルで、会話の知能、流れるような対話、視覚的な状況理解(visual grounding)を組み合わせています。ユーザーからの支持が高く、Speech Agent Arenaで2位を獲得しました。高いコスト効率も保っており、開発者と企業に、スケール向けに作られた有能で効率的なモデルを提供します。
Gemini 3.8 Live Extended Thinkingは、高い複雑性のタスク向けに作られたモデルで、知能の向上とマルチステップの推論を備えています。Artificial AnalysisのSpeech to Speech Quality Indexでは総合1位(82.6)を獲得しました。また、エージェント的なタスク完了ではτ-Voiceで68.6%、Sierraのτ-Voice-bankingベンチマークで35.1%を記録してリードしています。さらに、Big Bench Audioで97.7%を記録して強い推論能力を示し、他のフロンティアモデルと比べて非常に競争力のある価格水準を維持しています。音声エージェントを評価するServiceNowのEVA-Benchにおいて、Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingは、精度と会話品質のバランスをうまく取ることで、複雑なワークフローにおけるパレートフロンティア(Pareto Frontier)を押し広げました。この評価はGemini Enterprise Agent PlatformのLive APIで実行されました。
音声エージェントでの使われ方と主な機能
Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingは、開発者と企業に、信頼性が高く本番利用できる音声エージェントのための構成要素を提供します。両モデルは、Geminiアプリ、Google Workspace、SearchでのGeminiとの会話をより流れるようで協調的にし、声だけで複雑なタスクに取り組めるようにします。Googleによると、同社のLiveモデルは、Google Workspace、Search、Geminiアプリ全体で、特に最も複雑なタスクに取り組むときに、より直感的で協調的な体験を提供します。
Gemini 3.8 Liveは視覚入力をほぼリアルタイムで処理し、会話に文脈を加えることでより役立つ応答を返します。また、対応する97言語の間で、会話の途中でも自動的に言語を検出して切り替えることができます。
より深い推論が必要なタスク向けに作られたGemini 3.8 Live Extended Thinkingは、推論と発話を同時に行います。複雑なワークフロー向けに知能を高めつつ、途切れない会話の流れを保ちます。「Let me check that…」のような早めの言葉の合図でプロンプトを自然に受け止め、ライブの進捗ナレーション(live progress narration)で、マルチステップのバックグラウンドタスクが進むあいだユーザーに順を追って説明します。
デモ動画で示された活用例
デモ動画の例として、Gemini 3.8 Liveは視覚的な文脈を使って社員のオンボーディングをリアルタイムで案内し、ライブの質問に答えます。また、視覚的な文脈、推論、自然な会話の流れを使って、ほぼリアルタイムでチェスをプレイします。さらに、自然な発話を通じて、完全な事業計画とカスタムのマーケティングツールキットをその場で作成します。Gemini 3.8 Live Extended Thinkingのデモでは、手描きのスケッチとほぼリアルタイムの音声フィードバックを、動作するReactコンポーネントに変換する様子が示されます。また、マルチステップの予約と非同期の関数呼び出しを、自然なライブ会話を中断することなく調整する様子も示されます。Geminiアプリでは、Gemini 3.8 Live Extended Thinkingを使って、Daily Briefを頼む、話しかけながら受信トレイをゼロにする(inbox zero)、やることリスト(to-dos)を任せるといった一日の管理ができます。
提供開始の時期と対象となる利用者
Gemini 3.8 Liveは9月15日より順次提供開始となり、一般ユーザー向けにはSearch Liveで提供されます。開発者向けにはGemini APIとGoogle AI Studioで提供され、企業向けにはGemini Enterpriseでプライベートプレビューとして提供されるほか、Gemini Enterprise for Customer Experienceでも近日提供予定です。Gemini 3.8 Live Extended Thinkingも9月15日より順次提供開始となり、開発者向けにはGemini APIとGoogle AI Studioで提供されます。企業向けにはGemini Enterpriseでプライベートプレビューとして提供され、Gemini Enterprise for Customer ExperienceとGoogle Workspaceのビジネス顧客向けにも近日提供予定です。一般ユーザー向けには、Gemini Liveで提供されます。
Search Liveの中では、Gemini 3.8 Liveを使ったステップごとのリアルタイムなトラブルシューティング支援を受けられます。Gemini 3.8 Live Extended Thinkingは、Google WorkspaceのDocs Live、Gmail Live、Keep Liveで試せます。対象は、Docs LiveではGoogle AI ProとUltraの加入者、Gmail LiveとKeep LiveではすべてのGoogle AI加入者です。
開発プラットフォームや企業との連携と安全対策
開発者向けプラットフォームであるAgora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsは、Gemini Live APIを利用することで、開発者が高性能な音声駆動インターフェースを容易に構築・展開できるようにしています。これらのプラットフォームは、複雑なリアルタイムのメディアストリーミング基盤を裏側で管理するため、開発者はユーザー体験の作り込みに専念できます。Googleは、Salesforce、Genspark、Lumerisなどの企業とも提携しています。これらの企業は3.8 Liveと3.8 Live Extended Thinkingに期待を寄せており、そのレイテンシ、流暢さ、ツール呼び出し(tool-calling)の能力を高く評価しています。
Googleは、同社のAI製品が生成するすべての音声にSynthIDの透かし(watermark)を入れています。この透かしは人間には知覚できず、音声出力に直接織り込まれており、AI生成コンテンツを検出可能な状態に保つことで誤情報の防止に役立てます。安全性と責任に関する取り組みの詳細は、モデルカード(model card)で確認できます。