Google、Gemini 3.8 LiveおよびExtended Thinkingリアルタイム対話モデルを発表

現地時間9月15日、GoogleはGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingの2つの新製品を正式に発表した。Googleによると、これらはこれまでで最も先進的なリアルタイム対話モデルであり、インテリジェンスと並列推論の大幅なアップグレードを通じて、AI対話をより直感的かつスマートなものにする目的がある。この2つのモデルは異なる应用场景に合わせて最適化されている：Gemini 3.8 Liveはスケーラブルな展開とコスト効率に重点を置き、Gemini 3.8 Live Extended Thinkingは高複雑度タスクと多段階推論能力の強化に注力している。

パフォーマンス面では、Gemini 3.8 Live Extended Thinkingは複数のベンチマークテストで首位を獲得した。Artificial Analysisの音声対音声品質指数総合ランキングで1位となり、スコアは82.6%、τ-Voiceエージェントタスクの完了率は68.6%だった。同時に、Big Bench Audioテストでは97.7点を記録し、競争力のある価格設定を維持しつつ、複雑なワークフローのインテリジェンスレベルを大幅に向上させた。

Gemini 3.8 Liveはユーザー体験とコスト効率において高い評価を得ており、Speech Agent Arenaランキングで2位となった。このモデルは優れた視覚理解能力を持ち、視覚入力をニアリアルタイムで処理でき、会話中にサポートされる97言語を自動的に検出して切り替えることができる。さらに、バックグラウンドでツールやAPI呼び出しを実行しながらも会話を途切れることなく維持し、正確性と対話品質のバランスを取って、複雑なワークフローのパレートフロンティアを引き上げた。

深い推論ニーズに対応するため、Gemini 3.8 Live Extended Thinkingは推論と発話を同期して実行するようになった。会話の流暢さを妨げずに、「確認しますね…」などの自然言語で応答し、バックグラウンドでの多段階タスク処理状況をリアルタイムで解説する。この設計により、モデルは高複雑度タスクを処理する際に、正確な論理推論を提供しつつ、自然なインタラクション体験を維持できる。

エコシステム構築の面では、開発者はGemini Live APIを使用して、声網、Fishjam、LiveKit、Pipecat、Vercel、Vision Agentsなどのプラットフォームで高性能な音声駆動インターフェースを簡単に構築できる。GoogleはSalesforce、Genspark、Lumerisなどの企業とも提携し、関連エコシステムの発展を推進し、先進的なリアルタイム対話能力をより多くのビジネスシーンに広く適用することを目指している。

セキュリティとコンプライアンスは今回の発表の重要な構成要素である。GoogleはすべてのAI生成音声にSynthID非表示透かしを追加し、音声出力に直接埋め込んだ。この技術は誤情報の拡散を検出・防止することを目的とし、AI生成コンテンツの追跡可能性を確保し、ユーザーや企業にとってより安全なAIインタラクション環境を提供する。

現在、Gemini 3.8 Liveの提供が開始された。開発者はGemini APIとGoogle AI Studioで使用可能であり、企業ユーザーはGemini Enterpriseでプレビュー体験ができ、まもなくGemini Enterprise for Customer Experienceにも登場する。全ユーザーはSearch Liveで体験できる。このモデルの普及は、リアルタイム対話技術がより多くのシーンで実装されることを示している。

Gemini 3.8 Live Extended Thinkingも提供を開始した。開発者はGemini APIとGoogle AI Studioで使用可能であり、企業ユーザーはGemini Enterpriseでプレビュー体験ができ、まもなくGemini Enterprise for Customer ExperienceおよびGoogle Workspace企業顧客向けにも登場する。一般ユーザーはGemini Liveで体験でき、Google AI ProおよびUltraサブスクライバーはGoogle WorkspaceのDocsで使用でき、すべてのGoogle AIサブスクライバーはGmailおよびKeepで体験できる。