ニュース

Google、音声対話モデル「Gemini 3.8 Live」を発表 ～より知的な会話体験を構築

深く考えながら話す「Extended Thinking」版も

2026年9月16日 11:22

新しい音声モデル「Gemini 3.8 Live」「Gemini 3.8 Live Extended Thinking」を発表

　米Googleは9月15日（現地時間）、新しい音声対話モデル「Gemini 3.8 Live」「Gemini 3.8 Live Extended Thinking」を発表した。「Gemini API」と「Google AI Studio」を通じて開発者などに提供される。

  • Gemini 3.8 Live：規模・速度・コスト効率を重視したモデル。文の途中で割り込まれても対応でき、97以上の言語を会話の途中で切り替えられる
  • Gemini 3.8 Live Extended Thinking：複雑なタスク向けに、思考の深さを設定できるモデル。推論と発話を並行して行い、裏で進めている作業の進捗を会話しながら伝えられる

　いずれも音声を直接やり取りするネイティブな音声対話（Speech-to-Speech）モデルで、会話の流れを保ったまま推論やタスクの実行までこなせるのが特徴。とくに複雑な要求に対してより深く推論する「3.8 Live Extended Thinking」は、「Artificial Analysis」の音声対話リーダーボードで1位を獲得している。

「Artificial Analysis」の「Speech to Speech Index」。「Gemini 3.8 Live Extended Thinking」が82.6％で首位

　このような飛躍には、従来のように音声認識・言語モデル・音声合成を数珠つなぎにする構成（カスケード型）ではなく、音声会話を維持しながらバックグラウンドで推論やタスクも実行できる仕組みにしたという背景がある。視覚解析も同時に行うため、“見ながら話す”ことも可能。おもな機能は以下の通りだ。

  • 非同期の関数呼び出し：ユーザーへ音声の応答をストリーミングしたまま、バックグラウンドでAPIやツールを呼び出せる
  • 視覚的なコンテキスト：リアルタイムの映像を踏まえて会話できる。ユーザーが何を言っているかだけでなく、何を見ているかもふまえたエージェントを構築可能
  • 英数字の正確な処理：確認コード、請求番号、技術的なデータなどを正確に聞き取る
  • 多言語対応：97以上の言語をカバーし、アクセントの一貫性も保つ
  • 逐次的なコンテンツ更新：リアルタイムの音声と構造化データを組み合わせ、文脈に沿った応答を返せる

　「3.8 Live」は、Android/iOS向け「Google」アプリの「Search Live」でも活用されている。同社はカメラを水漏れした配管に向けながら、音声で修理の手順を教わるデモを公開している。

「Google 検索」の「Search Live」。カメラの映像を見せながら音声でやり取りできる

　「3.8 Live Extended Thinking」は、「Gmail」「Google ドキュメント」「Google Keep」といった「Google Workspace」アプリでも利用されるとのこと。いずれもベースモデルは「Gemini 3 Pro」で、音声・画像・動画・テキストを最大128Kトークンまで入力でき、出力は音声とテキストで64Kトークン。

　価格は音声入力が1分あたり0.005米ドル、音声出力が1分あたり0.018米ドル（100万トークンあたり入力3米ドル、出力12米ドルをもとにした概算）。「Live API」のほか、「Agora」「Fishjam」「LiveKit」「LangChain」「Pipecat」「Vercel」「Vision Agents」といった連携パートナー経由でも利用できる。

　そのほかにも、同社は音声関連モデルとして以下を提供している。

Amazonで購入