Gemini 3.8 Live音声部門首位

Google DeepmindによるGemini 3.8 Liveと3.8 Live Extended Thinkingの公開は、開発者向けのSpeech-to-Speechモデルが広がりつつある分野に新たな選択肢を2つ加えるものだ。Extended Thinking版はArtificial Analysis Speech-to-Speech Leaderboardで82.6%を記録して首位に立ち、この指標ではOpenAIの最新GPT-Live-1モデルを上回る。一方、標準のGemini 3.8 Liveは、バックグラウンドでAPI呼び出しを行い、視覚入力を処理し、同時に会話を続けられる音声エージェント向けに位置づけられ、97以上の言語をサポートする。

最も明確な違いは価格差だ。Googleの音声入力1分0.005ドル、出力0.018ドルという料金は、音声会話1時間あたり約1.38ドルに相当し、1分0.05ドルのOpenAIのGPT-Live-1の少なくとも1時間3.00ドルと比べられる。同時に記事は、OpenAIのモデルがフルデュプレックス（同時に聞いて話せる仕組み）により依然としてより自然な会話を実現するはずで、デモを見る限り音質も良いと指摘している。

両者を選ぶ開発者にとって、トレードオフはリーダーボードでの性能と低コストが、OpenAIのモデルが持つとされるより自然な会話感を上回るかどうかにかかっているようだ。記事はこれを、Googleが再び品質より価格を優先したものと位置づけているが、そのトレードオフの実際の重みは、各モデルが実運用でどう機能するかにかかっている。