Gemini 3.8 Liveとは 話しながら裏で考える音声AIがGoogleからも出てきた
9月15日(米国時間)、Googleが音声対話モデルを2つ公開しました。Gemini 3.8 Liveと、Gemini 3.8 Live Extended Thinkingです。5日前にGPT-Live-1のAPI提供を「音声AIを業務に入れる入り口が開いた」と書いたばかりですが、Googleも同じ用途のAPIを公開したことになります。
2つの違いを一言で言うと、3.8 Liveは「速くて安いデフォルトのモデル」、Extended Thinkingは「話しながら裏で深く考えるモデル」です。共通するのは、返事をしながら裏でツールを動かせること、97言語を会話の途中で切り替えられること、そして日本語が公式の対応一覧に載っていることです。GPT-Live-1の記事で「日本語対応は公式がまだ書いていない」と書きましたが、Googleは対応言語に日本語を明記しています。この記事では、何が新しいのか、OpenAIと作りがどう違うのか、業務のどこに置けるのかを、公式の文書と第三者の評価で確かめます。
「確認しますね」と言った後に、黙らない
音声AIを電話や受付に置いたとき、いちばん不自然なのは沈黙です。「在庫を確認しますね」と言った後、裏でデータベースを引いている数秒間、何も聞こえない。人ならその間に「少々お待ちください」と言うか、雑談をつなぎます。
今回の2モデルは、ここを設計の中心に置いています。公式ブログの説明では、ツールやAPIの呼び出しを会話の裏で実行し、依頼を受けたことを声で伝えながら、処理が終わるまで会話を続けられる。Extended Thinkingはさらに、「ちょっと確認しますね」のような短い前置きを自然に挟み、複数段階の処理が進む様子を声で実況する、とあります。開発者向けの資料を見ると、3.8 Liveではこの非同期のツール実行がデフォルトになっていて、旧モデルの3.1 Flash Liveには「ツールの応答を返すまでモデルは話し始めない」と書かれているので、ここが世代の差です。
公式のデモは、飲食店の予約を複数段階で進めるもの、手描きのスケッチと声の指示から画面部品を作るもの、カメラに映した自転車のチェーンや水漏れの配管を見ながら手順を案内するものです。最後の例は、GoogleのX投稿によると検索の音声機能Search Liveで今日から誰でも使えます。
2つのモデルは、速さ優先か、考える深さ優先か
公式の比較表から、読者に関わる差だけを抜き出します。
| Gemini 3.8 Live | 3.8 Live Extended Thinking | |
|---|---|---|
| 位置づけ | 低遅延の音声エージェント向けのデフォルト | 裏での推論を多く要する場面向け |
| 推論 | あり。ただし深さは指定できない | 深さを low / medium / high から選べる |
| ツール実行 | 非同期がデフォルト。同期に戻すことも可 | 非同期のみ |
| 提供先(誰でも) | Search Live | Gemini Live、Google AI契約者向けのGmailとKeep、Pro/Ultra契約者向けのDocs |
| 提供先(開発者) | Gemini APIとAI Studio | 同じ |
| 提供先(企業) | Gemini Enterpriseの限定プレビュー | 同じ。Workspaceの法人向けにも近く |
数字で見ると、2つの差はかなり大きいです。第三者の評価機関Artificial Analysisが公開した結果では、航空・小売・通信の模擬顧客対応を音声でやり切れるかを測るTau Voiceで、Extended Thinking(High)が68.6%で1位。GPT-Live-1(GPT-6 Astra、中程度の推論)の67.9%をわずかに上回りました。一方、標準の3.8 Liveは30.1%です。総合指数でもExtended Thinkingは82.6で1位、3.8 Liveは76.0で5位。複数段階の顧客対応をやり切る力は、Extended Thinkingのほうが大幅に高いと読むべき数字です。前編で挙げたGPT-Live-1の83.6%はTau3という別のベンチマークなので、今回の67.9%と直接は比べられません。
意外な数字もあります。人が実際に話して好みを採点するSpeech Agent Arenaでは、3.8 Liveが2位ですが、その上にいるのは旧モデルの3.1 Flash Liveでした。賢くなったことと、話していて心地よいことは、別の軸だということです。速さは、最初の声が出るまで3.8 Liveが1.18秒、Extended Thinkingが1.35秒で、GPT-Live-1とほぼ同じ。Grokの0.70秒には届きません。
OpenAIのGPT-Live-1とは、サービス側がまとめる範囲が違う
ここは筆者の見方です。OpenAIとGoogleは、同じ「話しながら考える音声AI」に、違う切り分けで来ています。
GPT-Live-1は、声の層と考える層を分ける設計でした。声のモデルは会話に専念し、深い推論やツール操作は後ろの別モデルに委譲する。後ろは仕事ごとに付け替えられ、他社のモデルでもよい。声は分あたり5セントで、後ろのモデルは別料金でした。
Gemini 3.8 Liveは、使う側から見ると1つのLive APIセッションの中で、話すことと考えることが織り込まれる設計です。Extended Thinkingは「推論と発話を同時に行う」と公式が書いていて、推論の深さは同じセッションの設定で変えます。ツールの呼び出しも、会話の続行も、途中経過の実況も、そのセッションの中で起きる(呼び出されたツールを実際に動かすのはアプリ側です)。料金もモデル1つ分で、音声の入力と出力をトークンか分で数えます。内部が本当に1つのモデルかどうかは公開されていません。
開発者から見ると、OpenAIは組み合わせの自由、Googleはサービス側がまとめる範囲が広い、という違いだと思います。完全に逆というより、声のモデル、考えるモデル、ツールの実行、状態の管理、請求のうち、どこまでをサービス側が引き受けるかの線が違う、と言うほうが正確です。自社のエージェントや他社モデルを後ろに置きたいならOpenAIのほうが素直で、後ろのモデルを別に選ぶ設定を省きたいならGoogleが楽です。ただし楽になる分と増える分があり、Googleの資料には「非同期の推論中は、ターン完了のイベントが来てもセッションは空いていない。状態を別に見よ」という注意があります。減るのは構成の手間、増えるのは非同期の状態管理、と分けて見ておくのがよいと思います。
言語は97言語で日本語も対応、料金は比較対象の中で最安
日本の読者が気にする点を、公式の記述だけで並べます。
- 日本語: Live APIの対応言語一覧に97言語が載っていて、日本語が含まれます。会話の途中で言語が変わっても自動で追従する、と公式ブログにあります。GPT-Live-1の記事で「公式に日本語の記載がない」と書いた点について、Googleは一覧に明記しています。一覧に載っていることと、日本語で業務に耐える精度かは別なので、そこは自分で測る前提です
- 料金: 料金表では2モデルとも同じで、音声入力が百万トークンあたり3ドル(分換算で0.005ドル、1時間で0.30ドル)、音声出力が12ドル(0.018ドル/分)、テキスト入力0.75ドル。無料枠があり、その場合はやり取りがGoogleの製品改善に使われます。Artificial Analysisは定価とは別に、固定の40問を処理した総費用(推論や出力のトークン込み)を入力音声1時間あたりに換算していて、3.8 Liveが0.84ドルで比較対象の中で最安、Extended Thinking(High)が3.50ドル、GPT-Live-1(Astra)が5.83ドルです。前編の「声は分あたり5セント」は声の層だけの定価なので、この換算値とは範囲が違います
- すぐ試せる場所: Search Liveなら誰でも、Google AI Studioなら開発者が今日から。ただしLive API自体がまだプレビューで、標準では音声だけのセッションが15分、映像つきは2分で切れます(文脈の圧縮や再開の仕組みで延ばせます)。Gemini Enterpriseは限定プレビューで、一般の企業がそのまま使える段階ではありません
- 透かし: 生成された音声にはすべてSynthIDの透かしが入り、AI生成だと検出できるようにしてあります
「答えて終わり」か「変えて終わり」かで、モデルを分ける
GPT-Live-1の記事で、声に任せる仕事を決める3つの軸を書きました。声に任せる仕事と人に戻す仕事の線、確認の置き場所、AIであることを名乗るか。今回の2モデルで、1つ目の線の引き方が少し具体的になります。
Googleは3.8 Liveを「低遅延の対話向け」、Extended Thinkingを「裏での推論を多く要する場面向け」と分けています。Tau Voiceの数字をこの分け方に重ねると、営業時間の案内やFAQのように「答えて終わり」の仕事は3.8 Liveが候補で、予約の変更や照会のように「聞き取って、システムを引いて、結果を返して、確認を取る」と続く仕事はExtended Thinkingが候補です。ただしTau Voiceはこの2種類の業務を直接比べた結果ではないので、自社の業務でどちらが足りるかは自分のシナリオで測るしかありません。
費用の見方にも注意が要ります。定価は2モデルとも同じなのに、Artificial Analysisの換算ではExtended Thinkingが4倍強になっている。換算値は入出力と推論のトークンを合算したもので内訳は公開されていませんが、同じ単価でも消費するトークンが増えれば総額が増える、と読むのが自然だと思います。声を置く場所を業務ごとに分けて、安いほうで済む仕事と、高いほうが要る仕事を先に仕分けるのが、費用の面でも成功率の面でも合理的だと思います。私たちが導入支援で音声の業務を仕分けるときに最初に確かめるのは、その通話が「答えれば終わる」のか「何かを変えて終わる」のかで、後者には必ず実行の確認と人への引き継ぎを置きます。
確認の置き場所については、Googleの設計はやや注意が要ります。非同期でツールが動くので、声が「予約できました」と言うタイミングと、実際に予約が入ったタイミングがずれる可能性は、OpenAIのときと同じです。公式の資料は「発話の区切りが来ても、裏の推論やツール呼び出しはまだ続いていることがある」と念を押していて、途中の発話の終わりと処理全体の完了を分けて管理しないと、アプリが早すぎる完了判定をします。実行の完了を確認してから、完了を音声で伝える設計をアプリの側で持つ必要があります。ここは両社とも同じ結論で、声が自然になるほど、間違えたときに止める仕組みは作る側の仕事です。
さいごに 日本語で、今日から試せる
Gemini 3.8 Liveで変わったことを一文にすると、「音声AIが、確認中に黙らなくなった。しかも日本語で、今日から試せる」です。5日前にGPT-Live-1で開いた入り口が、Googleの側からも開き、公式の対応言語一覧に日本語を明記した点ではGoogleが先でした。
すぐ試してみたいなら、スマホの検索アプリでSearch Liveを開き、手元の何かにカメラを向けて日本語で聞くところからです。開発者なら、Google AI Studioで3.8 LiveとExtended Thinkingに同じ日本語を聞かせてみる。前編で挙げたテスト項目、会社名や住所や電話番号のような固有名詞と数字、途中の割り込み、言い直し、沈黙、雑音のある場所、をそのまま使えば、GPT-Live-1と3モデルで比べられます。無料枠で試せますが、やり取りはGoogleの改善に使われるので、架空か匿名化したデータで試し、実データを入れる前に有料枠の条件と費用を確かめる。次に見るのは、Live APIがプレビューを抜けるか、Gemini Enterpriseでの提供範囲、そしてOpenAIが対応言語をいつ公式に書くかです。