Google、Gemini 3.8 Live発表

Googleは新しい音声モデルを、音声AIエージェントに対するある具体的な不満を軸に打ち出している。アシスタントが何かを調べるために話すのをやめたときに生じる、あの気まずい沈黙だ。Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingは、会話が自然なペースを保ったままツールやAPIの呼び出しをバックグラウンドに押しやるよう設計されており、エージェントは「確認しますね」といった初期の口頭合図でリクエストを認識し、やり取りを続けられる。

今回の発表はベンチマーク上の位置づけに大きく依存している。Googleによると、Gemini 3.8 Live Extended ThinkingはArtificial Analysis Speech to Speech Quality Indexで82.6を記録し、GPT-Live-1-AstraとGrok Voice Think Fast 2.0を上回った。一方、Gemini 3.8 LiveはSpeech Agent Arenaベンチマークで2位、ServiceNowのEVA-Benchで1位となった。両モデルには開発者向けの実用的な配慮もある。97言語対応、ほぼリアルタイムの視覚グラウンディング、Vercel、Agora、LiveKit、Pipecat、Fishjam、Vision Agentsといったパートナープラットフォーム経由の統合、そして誤情報検出を助ける生成音声ファイルへのSynthIDウォーターマークだ。

次に何が起きるかは、ベンチマークよりも採用にかかっている可能性が高い。両モデルはGemini APIとGoogle AI Studioを通じて開発者に届けられ、Gemini EnterpriseとSearch Liveでは企業向けプライベートプレビューが提供される。価格は音声入力が0.005ドル/分、出力が0.018ドル/分に設定された。これらの数字とバックグラウンドでのツール呼び出しが実際の導入で持ちこたえれば、Googleの音声スタックは会話型エージェントを構築するチームにとって、より魅力的なデフォルト選択肢になるかもしれない。ただし本文は、顧客がどう反応するかについての証拠をまだ示していない。