Googleは、音声インタラクションをより自然で滑らか、かつインテリジェントにすることを目指したGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingモデルを発表した。両モデルは、複雑な推論、リアルタイムの視覚的コンテキスト、会話を中断せずにバックグラウンドでタスクを実行する機能を提供する。ユーザーは今日から、Gemini API、Google Workspace、Geminiアプリを通じて両モデルを利用できる。
Gemini 3.8 Live Extended Thinkingは、Artificial AnalysisのSpeech to Speech Quality Indexで82.6点を獲得し、総合ランキングで首位となった。同モデルは、タスク完了分野においてτ-Voiceで68.6%、Sierraのτ-Voice-bankingテストで35.1%、Big Bench Audioでは97.7%を記録した。Gemini 3.8 Liveは、Speech Agent Arenaで2位に入った。両モデルは、ServiceNowのEVA-Bench評価において精度と会話品質のバランスを取り、複雑なワークフローにおけるパレートフロンティアを向上させた。
Gemini 3.8 Liveは、視覚入力をほぼリアルタイムで処理して会話にコンテキストを加え、会話中に対応する97言語を自動で切り替えられる。ツールやAPI呼び出しをバックグラウンドで実行しながら、会話を継続することもできる。視覚的コンテキストを活用して従業員のオンボーディングを案内したり、チェスをプレイしたりできる。
一方、Gemini 3.8 Live Extended Thinkingは、思考と発話を同時に行い、多段階タスクの進捗を音声で伝える。ラフスケッチと音声フィードバックを機能するReactコンポーネントに変換できるほか、予約、非同期関数呼び出し、事業計画、マーケティングツールを会話を通じて準備できる。
このモデルは、Docs Live、Gmail Live、Keep Liveで利用できる。Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsは、Gemini Live APIを使った音声インターフェースの開発を支援している。Googleはさらに、Salesforce、Genspark、Lumerisとも協力している。生成されたすべての音声には、誤情報対策として検出できるようSynthIDが付与される。
重要な理由
今回の発表は、音声AIの利用を単なる質疑応答の段階から進め、視覚的コンテキスト、ツールの利用、多段階ワークフローを同じやり取りの中で統合する枠組みを提示している。そのため、特にGoogle Workspaceの利用者、開発者、会話型インターフェースを構築する企業にとって、新たな活用の可能性を生み出している。各種テストにおけるモデルの結果は、Googleが音声品質とタスク完了のバランスを併せて評価していることを示しているが、こうした比較結果が、予約、事業計画、コンプライアンス支援といった日常利用のタスクにどの程度当てはまるかは明らかになっていない。音声へのSynthIDの付与は、生成されたコンテンツを識別しやすくすることを目指す一方、それがユーザーの信頼に関する判断にどのような影響を与えるかも、注視すべき課題となっている。
背景
Geminiは、FikirPilotのアーカイブでは新しい名前ではない。過去90日間に、この名前が登場する記事を10本公開しており、最新の記事は2026年9月8日付である。