Googleが、音声でのやり取りに特化した新しいGeminiモデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表した。どちらも、AIとの会話をより自然で、途切れにくく、しかも賢くすることを狙っている。単に返答が速いだけではなく、画像や言葉の文脈をその場で扱い、必要なら裏でツールを動かしながら会話を続けられるのが売りだ。音声AIはここしばらく各社が力を入れてきた分野だが、Googleは今回、会話の流れを止めずに複雑な処理までこなす段階に進んだ、と強く打ち出している。
Googleの説明によると、今回の発表は「ライブ対話モデル」の更新だ。新しく出たのは2種類で、1つが「Gemini 3.8 Live」、もう1つが「Gemini 3.8 Live Extended Thinking」だ。前者は「規模」と「コスト効率」を意識したモデルで、会話の自然さ、流れるような応答、そして visual grounding と呼ばれる画像や दृश्यの文脈への結びつきを組み合わせている。後者は、より複雑な仕事向けで、 intelligence を高め、複数ステップの reasoning をこなす設計になっている。
Googleは、この2つのモデルを使うと、音声でAIとやり取りする体験が「より自然で、流動的で、知的になる」と説明している。しかも、会話の途中で相手が話を割り込ませても対応でき、背景で複数の処理を進めながら会話を止めないのが特徴だという。たとえば、ユーザーが話している間にAIが別のツールを動かし、必要な準備を裏で済ませる、といった使い方を想定している。
実際の利用先としては、Gemini API、Google Workspace、Gemini app から使えると案内している。つまり開発者だけでなく、仕事の場面や一般ユーザー向けの体験にもつなげる構えだ。記事の中では、企業向け・本番環境向けの voice agent を作るための土台にもなると強調している。
性能面では、Gemini 3.8 Live Extended Thinking がいくつかの指標で良い成績を出したとしている。Artificial Analysis の Speech to Speech Quality Index では 82.6 で総合1位、τ-Voice では agentic task completion において 68.6%、Sierra の τ-Voice-banking benchmark では 35.1% を記録したという。さらに Big Bench Audio では 97.7% と、推論能力の高さも示したとされる。Googleはこれらを踏まえ、価格面でも競争力があると述べているが、本文の見えている範囲では、細かな料金条件までは示されていない。
要するにGoogleは、音声AIを「返事がうまいチャットボット」から、「会話を続けながら、裏で考え、作業まで進める相棒」に近づけようとしている。今回の発表は、その方向をかなりはっきり示したものだ。
この発表で面白いのは、Googleが単にモデル性能を上げたと言っていないことだ。あえて「会話が自然になる」「割り込みに対応する」「背景で処理する」といった表現を重ねている。これは、音声AIの勝負が、もはや文字起こし精度や返答の速さだけでは決まらないと見ているからだと思う。人が音声アシスタントに不満を抱く理由は、少し考え込むと沈黙が長くなること、話の途中で理解を取り違えること、別の作業を頼むと会話が切れてしまうことにある。Googleはその不便さを、かなり正面から潰しにきている。
特に「background task execution」を前面に出したのは重要だ。これまでの音声AIは、質問に答えるのは得意でも、複数の手順をまたぐ仕事には弱かった。たとえば予定を確認し、条件を整理し、必要な情報を取りに行き、最後に提案する、という流れになると、どうしても会話がぎこちなくなる。Googleが目指しているのは、その摩擦を会話の外へ追い出すことだろう。ユーザーから見れば、ただ話しているだけなのに、裏で仕事が進んでいる。ここが実現すると、音声AIはかなり実用的になるはずだ。
名前に「Extended Thinking」が付いているのも、なかなか象徴的だ。AI業界では速さが目立ちやすいが、Googleは今回、むしろ「複雑なタスクをやるときの思考の厚み」を見せようとしている。しかも、ただ深く考えるだけでなく、会話の流れを保ったままそれをやる、というのが肝だ。ここに、音声UIならではの難しさがある。画面のチャットなら、ユーザーは待てる。だが声のやり取りでは、沈黙が長いだけで体験が一気に不自然になる。だからこそ、thinking を強くしながら conversational flow を崩さない設計には意味がある。
一方で、ベンチマークの数字は、そのまま実用価値を保証するものではないとも思う。Speech to Speech Quality Index や Big Bench Audio で高得点でも、実際の現場では雑音、早口、言い直し、固有名詞の連発、途中での話題変更といった厄介な条件が重なる。音声AIはラボで見栄えのいいデモと、日常利用の満足度がずれやすい領域だ。Googleが今回、値の良さだけでなく「割り込みに耐える」「裏で動く」といった使用感の話を多めにしているのは、そのギャップを意識しているからではないか。数字の強さより、使っていて止まらないことのほうが本当は効く。
配布先として Gemini API だけでなく、Google Workspace、Search、Gemini app を並べたのも目を引く。これは、研究成果を開発者向けSDKに閉じ込めず、自社の主要プロダクトに横断で埋め込む意思表示に近い。Workspace なら会議の議事録や文書作成、Search なら調べ物、Gemini app なら一般ユーザーの会話体験に直結する。音声AIは、単体のアプリとしては使われなくても、既存の作業導線に入り込めば急に便利になる。Googleはその入り口を複数持っている。
ただし、ここには期待と警戒が同居する。便利になるほど、ユーザーは「どこまでAIに任せているのか」を意識しなくなるからだ。会話の裏で処理が進む仕組みは快適だが、誤った操作や誤解が起きたときに気づきにくくもなる。とくに Workspace のような仕事道具では、音声AIが自然に振る舞うほど、間違いが会話の雑音に紛れやすい。Googleが enterprise-grade という言葉を使っているのは、性能だけでなく、こうした信頼性の壁を越えたいからだろう。
今回の発表を見ていると、Googleは音声を単なる入力手段として扱っていない。むしろ、声を使ってツールを動かし、文脈を保持し、複数の作業を同時進行させる新しい操作系を作ろうとしているように見える。そう考えると、Gemini 3.8 Live はChatの延長というより、OSやアプリの使い方そのものを変えにいく部品に近い。音声で話しかければ、AIが考え、整理し、必要な処理を済ませてくれる。理想形はかなり明確だ。
とはいえ、ここで本当に差がつくのはモデル名ではなく、どれだけ破綻なく日常の面倒を減らせるかだと思う。音声AIは派手なデモがしやすいが、毎日使うには地味な品質が必要になる。聞き間違い、待たされ感、応答の空振り、勝手な補完。こうした小さな不満を減らせるかどうかで、評価は大きく変わるはずだ。Googleの今回の発表は、その勝負をかなり具体的なところまで降ろしてきた。ここから先は、ベンチマークより、実際に会話していて「邪魔されない」と感じられるかが問われる。
参考: Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking
