この記事のポイント
- Gemini 3.8 Liveは会話を続けながら音声で作業するモデルとして発表されました。
- Extended Thinkingは複雑な手順向けで、会話評価の順位や数値はGoogle発表の試験条件に基づきます。
- 開発者・一般利用者・企業で提供先が異なり、企業向けは発表時点でプレビューでした。
Googleの公式発表から、音声対話向けの2モデルを紹介します。会話の評価と、業務処理を任せられる提供先を分けて整理します。
2種類のモデル:標準の「Live」と、考えながら働く「Extended Thinking」
今回発表されたのは、用途の異なる2つのモデルです。
- Gemini 3.8 Live:規模とコスト効率を重視した標準モデル。会話中に97言語を自動で聞き分けて切り替えられるほか、話しながら画面や映像を理解できます
- Gemini 3.8 Live Extended Thinking:複雑な仕事向けの上位モデル。会話を続けながら何段階もの推論(考える処理)を進め、業務タスクの完了まで見届けられます
どちらも、会話を止めないまま裏側でツールやAPI(外部サービスとの連携窓口)を呼び出せるのが特徴です。冒頭の「言語が混ざる会話」への対応は、標準モデルの自動言語切り替えによるものです。
音声対話の総合評価で1位、提供先は開発者・企業・一般の3層
Googleが公表した上位モデル(Extended Thinking)の主な評価値は次のとおりです。順位は発表時点のものです。
| ベンチマーク | スコア・結果 | 内容 |
|---|---|---|
| Artificial Analysis Speech to Speech Index | 82.6点(1位) | 音声対話の総合評価 |
| τ-Voice agentic performance | 68.6% | エージェント的な音声タスクの遂行力 |
| Sierra τ-Voice-banking | 35.1% | 銀行業務シナリオでの対応力 |
| Big Bench Audio | 97.7% | 音声を使った推論能力 |
特にBig Bench Audioの97.7%は、単に聞き取るだけでなく「聞いた内容をもとに考える」力の高さを示す数値です。標準のLiveも、利用者の選好を反映するSpeech Agent Arenaで2位と報告されています(価格を加味した順位ではありません)。
使える場所は3つの層に分かれます。
- 開発者向け:両モデルをGemini API・Google AI Studioへ段階的に展開
- 企業向け:Gemini Enterpriseで非公開プレビュー(招待制の先行提供)
- 一般ユーザー向け:標準LiveはSearch Liveへ、Extended ThinkingはGemini Liveへ展開
生成される音声には、AIが作ったものだと検出できる「SynthID」の透かしが埋め込まれます。
出典・参考資料：Google公式発表。
まとめ:会話の自然さと業務完了を分けて評価
音声窓口や音声アプリを開発する方は、混在する言語や割り込み、外部ツールの操作を含む会話例で比較するとよいでしょう。会話の自然さと業務の完了は別の評価です。利用できる提供先と、失敗した処理を人が引き取る方法も判断材料になります。
※本記事は2026年9月時点の情報です。企業向けのGemini Enterpriseはプレビュー段階のため、対応状況や料金は公式発表の最新情報を確認するとよいでしょう。
