グーグルが音声AI「Gemini 3.8 Live」発表、“考えながら話す”97言語対応の新モデル

　グーグルが音声AIの新モデル「Gemini 3.8 Live」と、上位版の「Gemini 3.8 Live Extended Thinking」を発表した。いずれもGemini APIとGoogle AI Studioから同日利用できる。

　最大の特徴は、考える処理と話す処理を同時に走らせる点だという。従来の音声AIは、発話を受けてから推論を終えるまでの沈黙が生まれやすかった。上位版は推論の途中経過を言葉で伝えながら応答を組み立てるため、込み入った問い合わせでも会話が途切れにくいとする。

　性能指標では、調査会社Artificial Analysisの「Speech to Speech Quality Index」で上位版が82.6を記録し、首位に立った。音声で与えた課題をやり遂げられるかを測るτ-Voiceでは68.6％、銀行業務を模したτ-Voice-bankingでは35.1％。音声の推論力を見るBig Bench Audioは97.7％だった。

　実務寄りの機能も加わった。会話を止めずに裏側でツールやAPIを呼び出す非同期のファンクションコール、カメラ映像などをほぼリアルタイムで解釈する視覚的な文脈理解、注文番号や型番といった英数字の聞き取り精度の向上である。97言語に対応し、会話の途中で言語が切り替わっても自動で判別するという。

　また、Googleは8月に公開した文字起こし専用モデル「Gemini 3.5 Transcribe」についても、今回の発表で機能や性能を改めて紹介した。85以上の言語に対応し、単語誤り率はストリーミングで4.0％、非ストリーミングで2.6％。社内用語や商品名を最大1000語まで登録し、認識を寄せる機能も持つ。

　開発者向けのAPIに加え、法人向けのGemini Enterpriseでは限定プレビューとして提供する。一般利用者向けにもSearch LiveやGemini Liveアプリ、Google WorkspaceのドキュメントやGmail、Keepへ順次組み込まれる。LiveKitやPipecat、Vercelなど音声基盤を手がける企業との連携も明らかにした。生成した音声にはすべて電子透かし「SynthID」を埋め込むという。