声でタスクを依頼したら、裏で遂行しながら状況を報告してくれる。Googleは9月15日(現地時間)、音声対話向けAIモデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表した。同日から、開発者向けのGemini APIやGoogle AI Studio、一般向けのSearch LiveやGemini Liveなどで順次提供を開始した。
Gemini 3.8 Liveは、規模の拡大とコスト効率を重視した音声対話向けモデル。Gemini 3.8 Live Extended Thinkingは、多段階の推論が必要な複雑なタスク向けのモデルとなる。両モデルは、開発者や企業が信頼性の高い実運用向け音声エージェントを構築するための基盤としてうたわれている。
また、GeminiアプリやGoogle Workspace、Google検索などでのGeminiとのやり取りがよりスムーズかつ協調的になり、ユーザーは音声だけで複雑なタスクに取り組めるという。
Gemini 3.8 Liveは、カメラなどからの映像入力をほぼリアルタイムで処理し、その内容を踏まえて応答する。対応する97言語を会話の途中でも自動的に判別し、切り替えられる。また、ツールやAPIの呼び出しをバックグラウンドで実行できるため、リクエストを受け付けたあとも会話を続けながらタスクを完了できる。
Gemini 3.8 Live Extended Thinkingは、推論と発話を同時に行なうのが特徴。「ちょっと確認させてください……」といった短い応答をまず行ない、進行状況をリアルタイムに音声で伝えながら処理を進める。
性能面では、Gemini 3.8 Live Extended ThinkingがArtificial Analysisの「Speech to Speech Quality Index」で82.6を記録し、総合1位を獲得。エージェント的なタスク完了を測るベンチマークでは、「τ-Voice」で68.6%、「τ-Voice-banking」で35.1%を記録し、いずれも首位をマーク。さらに、推論能力を測る「Big Bench Audio」では97.7%という高いスコアを記録した。
なお、生成される音声には、すべて電子透かし技術「SynthID」を埋め込んでいる。聞き取れない形で透かしを音声に組み込み、AI生成であることを識別可能にし、誤情報の拡散を防ぐ。