Google、Gemini 3.8 Live公開

Googleの前回のLive系音声モデルは3月リリースのGemini 3.1 Flash Liveで、今回バージョン番号が9月2日のGemini 3.8 Flashと一致した。主な変更点は、3.8 Liveが動画入力をほぼリアルタイムで処理し、会話中に日本語を含む97言語を自動検出して切り替えることだ。ツール実行とAPI呼び出しは会話の裏で動くため、モデルは依頼を音声で受け答えしながら作業完了前も会話を続けられる。Extended Thinkingはさらに進み、発話と推論を同時に行い、「確認しますね」などの表現で間を埋め、多段階の進捗を音声で説明する。

展開は消費者向けと法人向けを同時にカバーする。一般ユーザーはSearch Liveで3.8 Liveを、Gemini LiveでExtended Thinkingを利用でき、Google WorkspaceはGoogle AI ProとUltra加入者向けにDocsへ、全Google AIプラン向けにGmailとKeepへExtended Thinkingを提供する。開発者はGemini APIとGoogle AI Studioを通じて利用でき、LiveKit、Pipecat、Agora、Vercel、LangChainなどのパートナーは自社プラットフォームでLive APIを提供できる。生成されたすべての音声クリップにはSynthID電子透かしが埋め込まれる。

ここでの狙いは、音声が単なるチャットではなく長めのタスク向けの実用的インターフェースになることだ。鍵を握るのは、 latency改善が実運用で維持されるかどうかと、企業が未決定の部分をどう受け入れるかである。API利用価格は公式ブログに明記されておらず、大量の音声エージェントのコスト計画は未解決の課題として残る。