Googleは9月15日、音声でのAI対話向けモデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表しました。前者は大規模な利用とコスト効率を重視し、会話の知性、滑らかな対話、視覚情報に基づく応答を組み合わせたモデルです。後者は複雑性の高い作業向けに、より高度な知能と多段階の推論を提供する位置付けです。両モデルは、音声エージェントを開発・運用する開発者や企業向けの基盤となるほか、Geminiアプリ、Google Workspace、Searchでの音声による利用も想定しています。
Gemini 3.8 Liveは、視覚入力をほぼリアルタイムで処理し、会話の文脈に取り込めます。会話の途中で対応する97言語を自動検出して切り替える機能も備えます。また、ツールの実行やAPI呼び出しをバックグラウンドで処理し、その完了を待つ間も利用者との会話を継続できるとしています。Googleは、こうした機能により、依頼を受けたことを応答で示しながら対話を進められると説明しています。
より深い推論を要する作業では、Gemini 3.8 Live Extended Thinkingが推論と発話を同時に行います。利用者の指示に対し「確認します」といった初期応答を返し、多段階のバックグラウンド作業の進行状況を音声で伝えながら、対話を途切れさせない設計です。Googleによると、同モデルはArtificial AnalysisのSpeech to Speech Quality Indexで82.6を記録して総合首位となり、τ-Voiceでは68.6％、Sierraのτ-Voice-bankingベンチマークでは35.1％でした。音声を用いた推論評価Big Bench Audioでは97.7％を記録したとしています。Gemini 3.8 LiveはSpeech Agent Arenaで2位だったとしています。
開発者向けには、両モデルをGemini APIとGoogle AI Studioで提供開始します。Gemini 3.8 LiveはGemini Enterpriseで非公開プレビューとして提供し、Gemini Enterprise for Customer Experienceにも近日中に追加する予定です。一般向けにはSearch Liveで展開します。Extended ThinkingもGemini Enterpriseで非公開プレビューを始め、Enterprise for Customer ExperienceとGoogle Workspaceのビジネス顧客向けに近日提供するとしています。一般向けにはGemini Liveで利用でき、WorkspaceではGoogle AI ProおよびUltra契約者がDocsで、すべてのGoogle AI契約者がGmailとKeepで利用できます。
Googleは、AI製品が生成するすべての音声に、検出可能な電子透かし「SynthID」を埋め込むとしています。音声出力に知覚できない形で透かしを組み込み、AI生成コンテンツの識別を可能にすることで、誤情報の防止に役立てる考えです。
出典：Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking