Googleは9月15日、音声対話向けの新モデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を公開した。2つは役割が分かれており、前者は大規模な運用とコスト効率、後者は多段の推論を要する複雑なタスクに向けた構成になっている。
Gemini 3.8 Liveは映像入力をほぼリアルタイムで処理し、見えているものを踏まえて会話を続ける。対応する97言語のあいだで切り替わりを自動検出するため、会話の途中で話す言語が変わってもそのまま応答が続く。ツールやAPIの呼び出しはバックグラウンドで走らせる仕組みになっており、処理が終わるまで会話が止まらない。
Googleが挙げたスコアでは、Gemini 3.8 Live Extended ThinkingがArtificial AnalysisのSpeech to Speech Quality Indexで82.6を記録して総合1位、エージェントのタスク完遂を測るτ-Voiceで68.6%、Sierraのτ-Voice-bankingで35.1%だった。音声での推論を測るBig Bench Audioは97.7%。軽量側のGemini 3.8 Liveは、利用者の選好で順位を付けるSpeech Agent Arenaで2位に入っている。ServiceNowの音声エージェント評価EVA-Benchについては、正確さと会話としての自然さを両立させてパレートフロンティアを押し上げたと説明している。
提供は同日から始まった。開発者向けはGemini APIとGoogle AI Studio、企業向けはGemini Enterpriseのプライベートプレビューで、Gemini Enterprise for Customer Experienceへの展開も予告されている。一般利用では3.8 LiveがSearch Liveに、Extended ThinkingがGemini Liveに入る。Workspaceでは、DocsがGoogle AI ProとUltraの契約者、GmailとKeepはGoogle AIの全契約者が対象。生成された音声にはすべてSynthIDの電子透かしが埋め込まれる。
沈黙を作らないための発話設計
Extended Thinkingで中心に置かれたのは、推論と発話を同時に進める点である。音声エージェントで実用上やっかいなのは、内部で長い処理が始まったときにできる無音の時間で、利用者からは考えているのか止まっているのかが分からない。このモデルは処理に入る前に「Let me check that…」のような短い相づちを返し、複数ステップのタスクでは途中経過を声で読み上げながら進める。
軽量側の3.8 Liveも、同じ問題を別の方法で回避している。ツール実行をバックグラウンドに逃がし、依頼を受け取った旨をその場で返しながら会話を継続する構成である。音声インターフェースの評価軸が、応答内容の正しさから「会話が途切れずに続くか」へ寄ってきていることが、両モデルの説明から読み取れる。GoogleがEVA-Benchについて単独スコアではなく正確さと会話品質のトレードオフの形で成果を示したのも、同じ文脈に沿っている。
5日前に出たOpenAI「GPT-Live-1」との設計の違い
音声モデルの比較対象としては、OpenAIが9月10日にAPI提供を始めたGPT-Live-1がある。こちらは聞くことと話すことを1つのモデルで処理する一方、深い推論は開発者が選んだバックエンドのモデルに委任する構成を取っている。大量処理にはLunaのような軽量モデル、複雑な課題にはAstraというように、タスクごとに推論の深さとコストを切り替える前提の設計である。対してGemini 3.8 Live Extended Thinkingは、推論そのものを音声モデルの内側に持たせている。音声の層と推論の層を分けるか、1つのモデルにまとめるかという違いになる。
価格の出し方も対照的だ。OpenAIはフロントエンドの音声レイヤーを1分あたり0.05ドルと明示し、これにバックエンドのモデル料金が加わる形を示した。Googleは今回、Extended Thinkingについて「他のフロンティアモデルと比べて競争力のある価格」と述べるにとどめ、具体的な単価は本文に書いていない。導入を検討する側が両者の総額を並べるには、Gemini APIの価格表を別に確認する必要がある。
ベンチマークも重なっていない。Googleが引いたのはArtificial AnalysisのSpeech to Speech Quality Index、τ-Voice、Big Bench Audioで、OpenAIがGPT-Live-1で1位を主張したのはTau3とFull Duplex Benchだった。どちらも自社が選んだ指標の中での首位であり、同じ土俵の数字ではない。Googleの3.8系は9月2日のGemini 3.8 Flashと3.8 Flash Cyberから始まっており、今回のLive 2種で音声まで世代が揃った形になる。
