Googleは音声対話モデル「Gemini 3.8 Live」と推論を強化した「Gemini 3.8 Live Extended Thinking」を発表した。会話を止めずにツールやAPIを裏側で実行し、複雑な作業を音声で進めやすくする。
会話継続中にツール実行、97言語へ自動切替
2026年9月15日に発表されたGemini 3.8 Liveは、会話性能と低コスト・大規模運用を両立する音声モデルとして設計された。映像入力をほぼリアルタイムで処理し、会話の途中でも97言語を自動検出して切り替えられる。
最大の特徴は、ツールやAPI呼び出しをバックグラウンドで進めながら対話を継続できる点だ。依頼を受け付けた後も会話を止めず、処理完了まで別のやり取りを続けられる。
Extended Thinkingは、より複雑な業務向けに推論能力と多段階処理を強化したモデルである。推論と発話を同時に進め、「確認してみましょう…」などといった短い応答や進捗説明を挟みながら、バックグラウンドで複数工程を処理する。
Googleによると、Artificial Analysisの音声品質指標で82.6を記録したほか、タスク完遂性能ではτ-Voiceで68.6％、Sierraのτ-Voice-bankingで35.1％を達成した。
両モデルはGemini APIとGoogle AI Studioで提供を開始した。Gemini 3.8 LiveはSearch Liveにも展開され、Extended ThinkingはGemini Liveや一部のGoogle Workspace利用者にも順次提供される。生成音声にはAI生成物を識別するSynthID（※）が付与される。
※SynthID：GoogleがAI生成音声に直接埋め込む、知覚できない電子透かし。生成物を後から検出可能な状態にし、AI由来のコンテンツを識別しやすくする仕組みである。
音声AIの「並行作業」
今回の更新で重要なのは、音声AIの役割が質問への返答から、会話を維持したまま作業を進める存在へ近づいたことだ。ユーザーは処理待ちで対話を中断する必要が減り、複数工程を伴う業務でも自然な会話を入口に作業を進められる可能性がある。
映像入力や多言語切替まで組み合わせれば、リアルタイムの業務支援など活用範囲も広がりそうだ。
一方、会話の裏側で進む処理が重くなるほど処理時間も増え、間が長くなることで自然な操作を損なう懸念もある。Extended Thinkingの進捗説明は、処理中の状態をユーザーに伝えることで、待ち時間の不透明感を和らげる設計といえる。
しかし、言語ごとに自然な間は異なるため、それをどの程度自然にできるかは使用感に関わってくるだろう。
今後は応答速度だけでなく、会話品質、推論精度、タスク完遂率、処理状況の説明能力を一体で評価する競争が強まると考えられる。GoogleがWorkspaceやSearchまで展開を広げることで、音声AIが既存サービスの操作インターフェースとして組み込まれる場面は増えていく可能性がある。
関連記事:
Google、音声認識モデル「Gemini 3.5 Transcribe」公開 85以上の言語対応、言い直しを自動処理
GPT-Liveとは？会話を続けながら調べ、考える新しい音声AI
OpenAI、新音声モデル「GPT-Live」公開 より自然な会話と高度な推論を両立
