Gemini 3.8 Live、本番音声エージェント向けに公開

Google は 2026 年 9 月 15 日、Gemini 3.8 Live と Gemini 3.8 Live Extended Thinking を発表した。どちらも本番環境の音声エージェント向けに設計された、音声から音声へ直接応答するネイティブモデルだ。役割は明確に分けられている。Gemini 3.8 Live は規模と経済性を重視し、多数のリアルタイム会話を予測しやすい費用で運用したい企業向けとされる。Gemini 3.8 Live Extended Thinking は、複雑なタスクや複数ステップの推論を必要とする場面を狙う。回答、ツール呼び出し、方針変更の前に、より深く考える用途だ。両モデルは Gemini Live API と Google AI Studio で利用できる。ホスト型であり、open weights ではないため、自社ホストはできない。

ライブ音声向けの二つのホスト型モデル

この発表が重要なのは、音声エージェントの失敗がテキストチャットボットとは違う形で現れるからだ。テキストなら、データ取得のための一時停止は見えていても許容される場合がある。電話や会議では、沈黙、割り込み、発話の交代、ツールの結果を処理しながら、会話が壊れたように感じさせてはいけない。Google が強調する非同期関数呼び出しは、この問題の一部に対応するものだ。モデルはバックグラウンドでツールや API を起動しつつ、会話を続けられる。外部処理が終わるまで利用者を待たせる設計ではない。

• Gemini 3.8 Live は本番音声エージェントの規模と費用効率を狙う。
• Gemini 3.8 Live Extended Thinking は複雑なタスクと複数ステップ推論を狙う。
• 両モデルは音声から音声へのネイティブモデルで、2026 年 9 月 15 日から Gemini Live API と Google AI Studio で利用できる。
• Google によれば、非同期関数呼び出しにより、会話を続けながらツールや API をバックグラウンドで動かせる。
• モデルはホスト型サービスで open weights ではなく、自社ホストはできない。

Google が示すリアルタイム能力

Google はこれらのモデルを、単なる音声エンジンではなくリアルタイムのマルチモーダルシステムとして説明している。視覚入力をほぼリアルタイムで処理できるため、画面、製品、書類、作業環境を見ながら話すエージェントに意味がある。Google はまた、97 言語を自動検出し、自動的に切り替えられるとしている。利用者が一つの言語だけで話し続けない多言語通話を想定した機能だ。さらに、コードや英数字データの精度向上も挙げている。注文番号、口座識別子、予約番号、短い確認コードを正しく聞き取れるかどうかは、本番運用では見栄えのよいデモ以上に重要になる。

ベンチマークは公表値として読む

Google は Gemini 3.8 Live Extended Thinking について、Speech to Speech Quality Index で 82.6、tau-Voice で 68.6%、Sierra tau-Voice-banking で 35.1%、Big Bench Audio で 97.7% という結果を公表した。Google はまた、Gemini 3.8 Live が Speech Agent Arena で 2 位だとしている。これらは Google が改善を主張する領域を示す有用な数字だが、公表された結果であり、あらゆる本番環境を広く独立に検証したものではない。音声エージェントの品質は、遅延、音響条件、電話網、割り込み処理、ツールの安定性、人間による監督にも左右される。

MarkTechPost は、音声入力が 1 分あたり 0.005 ドル、音声出力が 1 分あたり 0.018 ドルという価格を報じている。同メディアによれば、この見積もりは入力 100 万トークンあたり 3 ドル、出力 100 万トークンあたり 12 ドルに基づく。購入側にとって、分単価は出発点でしかない。本番のエージェントでは、あいさつ、聞き返し、失敗したターン、転送、離脱したセッション、監視用のトラフィックも費用に入る。Gemini 3.8 Live の費用効率は、解決済みタスクあたりの実コストで検証する必要がある。

インフラパートナーと展開経路

Google はリアルタイムインフラのパートナーとして Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agents を挙げている。展開は段階的だ。API と Google AI Studio はすぐに利用可能で、Gemini Enterprise ではプライベートプレビューが予定される。Search Live、Gemini Live、一部の Workspace 体験での提供は、それぞれのサービス内容に依存する。Google はさらに、同社の AI 製品が生成するすべての音には、知覚できない SynthID ウォーターマークが入るとしている。これは開示や監査ログの代替ではないが、ガバナンス確認項目にはなる。

本番投入前に、企業はエンドツーエンドの遅延、割り込み、エラー後の復旧、実コスト、ツール呼び出しの追跡性、人間の監督をテストすべきだ。これは分析であり、Google が発表した事実ではない。日本語で顧客対応や社内支援を行う企業にとっての変化は、ホスト型で音声ネイティブな Gemini 系列を本番基盤として評価できる点にある。試験運用では、敬語、雑音、英数字の読み上げ、言語の混在、API 障害、エスカレーション条件、人間への引き継ぎを入れる必要がある。