Google DeepMindは2026年9月15日、同社が史上最も高度なライブ対話モデルと位置付けるGemini 3.8 LiveおよびGemini 3.8 Live Extended Thinkingを発表しました。発表によると、両モデルは準リアルタイムの推論における進歩をもたらし、音声エージェントをより効果的に実現するとともに、知能と並列推論の大幅なアップグレードにより、より直感的な協働と音声による複雑なタスクの実行を可能にします。

この記事は、Gemini Audioチームを代表して、プリンシパルエンジニアのTom Ouyang氏と技術スタッフのMalini Jaganathan氏によって執筆されました。

Googleは、今回の発表が音声インタラクションをより自然で流暢かつ知的なものにすることを目的としていると述べています。新モデルは、進行中の会話を中断することなく、複雑な推論、リアルタイムの視覚コンテキスト、バックグラウンドでのタスク実行を処理します。割り込みへの対応、言語の切り替え、作業中の思考プロセスの説明が可能で、Googleはこの挙動を「本物の会話パートナーのように感じられるAIへの一大歩行」と位置付けています。複雑な問題を解決している場合でも、単に会話している場合でも、AIがまるで一緒に聞き、考えているかのように感じられるよう設されていると同社は説明しています。これらの機能は本日より、Gemini API、Google Workspace、Geminiアプリから利用可能です。

両モデルはそれぞれ異なる用途を対象としています。

• Gemini 3.8 Live は、スケールとコスト効率のために構築され、会話知能と流暢な対話、視覚グラウンディングを組み合わせています。
• Gemini 3.8 Live Extended Thinking は、高複雑性タスクのために構築され、より高い知能と多段階推論を備えています。

開発者と企業にとって、Googleはこれらのモデルを信頼性の高い本番環境対応の音声エージェントの構成要素として位置付けています。また、Geminiアプリ、Google Workspace、Searchを通じたGeminiとの音声対話をより流暢で協働的なものにし、音声だけで複雑なタスクに取り組むことを支援すると述べています。

ベンチマークとパフォーマンス

Gemini 3.8 Live Extended Thinkingは、Googleが「エンタープライズグレードのタスク遂行と知能」と描述する性能を提供し、Artificial AnalysisのSpeech to Speech Quality Indexでスコア82.6により総合首位を獲得しました。このモデルはエージェント型タスク遂行で首位に立ち、τ-Voiceで68.6%、Sierraのτ-Voice-bankingベンチマークで35.1%を記録しています。また、Big Bench Audioで97.7%を記録する強力な推論能力を備えながら、他のフロンティアモデルと比較して非常に競争力のある価格帯を維持しています。

Gemini 3.8 Liveはユーザーから高い選好を示しており、Speech Agent Arenaで2位を獲得しました。この成績に加え、Googleは同モデルが非常にコスト効率が高く、スケール向けに構築された高性能で効率的なモデルを開発者と企業に提供していると述べています。

音声エージェントを評価するベンチマークであるServiceNowのEVA-Benchでは、Googleのモデルが精度と会話品質のバランスを取ることに成功し、複雑なワークフローにおけるパレートフロンティアを押し上げたと同社は述べています。同社は、このがGemini Enterprise Agent Platform上のLive APIで実施されたと注記しています。

視覚コンテキスト、97言語、バックグラウンド実行

Gemini 3.8 Liveは視覚入力を準リアルタイムで処理し、会話にコンテキストを加えることでより有用な応答を実現します。会話の途中で、サポートされる97言語間を自動的に検出・切り替えします。また、会話を続けながらバックグラウンドでツールやAPI呼び出しを実行するため、リクエストを確認しながらチャットを続け、タスクは裏で完了します。

発表とともに公開されたデモンストレーション映像では、モデルが視覚コンテキストを用いてリアルタイムで質問に答えながら従業員のオンボーディングを案内する様子や、視覚コンテキスト、推論、自然な会話の流れを組み合わせて準リアルタイムでチェスを指す様子が紹介されています。

推論と発話の同時実行

より深い推論を必要とするタスクについては、Gemini 3.8 Live Extended Thinkingは推論と発話を同時に行います。Googleは、このモデルが会話の流れを中断することなく、複雑なワークフローに対してより高い知能を提供すると述べています。「確認してみますね…」といった早期の音声キューでプロンプトを自然に認識し、多段階のバックグラウンドタスクが進行する様子をリアルタイムのナレーションでユーザーに伝えます。

デモンストレーションには、Gemini 3.8 Live Extended Thinkingが生のスケッチと準リアルタイムの音声フィードバックを動作するReactコンポーネントに変換する様子や、自然なライブ会話を中断することなく多段階の予約処理と非同期の関数呼び出しを調整する様子が含まれています。また、GoogleはGemini 3.8 Liveが自然な音声だけで完全なビジネスプランとカスタムマーケティングツールキットをその場で構築する様子も紹介しました。

Google WorkspaceとSearchとの統合

Google WorkspaceとSearchにおいて、Liveモデルはより直感的で働的な体験を提供するよう設計されており、特に最も複雑なタスクに取り組む際に威力を発揮します。Gemini 3.8 Live Extended Thinkingは、Google WorkspaceのDocs Live、Gmail Live、Keep Liveで利用できます。Search Liveでは、Gemini 3.8 Liveによる段階的なリアルタイムトラブルシューティング支援を提供しています。

開発者とエンタープライズの音声エコシステムの強化

Gemini Live APIを使用することで、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsといった開発者プラットフォームが、開発者が高性能な音声駆動インターフェースを容易に構築・展開できるようにしています。これらのプラットフォームは複雑なリアルタイムメディアストリーミングインフラを裏で管理し、開発者がユーザー体験の構築に専念できるようにします。

さらにGoogleは、Salesforce、Genspark、Lumerisなど、3.8 Liveおよび3.8 Live Extended Thinkingに期待を寄せる企業と提携しており、これらのモデルの優れたレイテンシ、流暢さ、ツール呼び出し機能が強調されていると付け加えました。

SynthID透かしによる透明性の確保

GoogleのAI製品が生成するすべての音声には、SynthIDによる透かしが埋め込まれています。この知覚できない透かしは音声出力に直接織り込まれており、AI生成コンテンツが検出可能な状態を保つことで、誤情報の防止に役立てられます。安全性と責任に関する同社のアプローチの詳細については、モデルカードを参照するようGoogleは呼びかけています。

提供開始時期

両モデルは本日より、開発者向け、エンタープライズ向け、コンシューマー向けの各サーフェスで展開が開始されます。

Gemini 3.8 Live:

• 開発者向け：Gemini APIとGoogle AI Studioで利用可能。
• エンタープライズ向け：Gemini Enterpriseで限定プレビュー中、Gemini Enterprise for Customer Experienceへまもなく提供予定。
• 一般向け：Search Liveで利用可能。

Gemini 3.8 Live Extended Thinking:

• 開発者向け：GeminiとGoogle AI Studioで利用可能。
• エンタープライズ向け：Gemini Enterpriseで限定プレビュー中、Gemini Enterprise for Customer ExperienceとGoogle Workspace法人顧客へまもなく提供予定。
• 一般向け：Gemini Live、WorkspaceのDocsにおけるGoogle AI ProおよびUltra加入者向け、ならびにGmailとKeepにおける全Google AI加入者向けに利用可能。

デモンストレーション映像を含む発表全文は、Google DeepMindブログで公開されています。