Googleの新音声モデル、考えながら話す — しかも安い

相手が機械だと気づく瞬間は、たいてい「間」です。音声エージェントに何かを調べてほしいと頼むと、そこで会話が止まります。話しながらツールを呼び出すことができないからです。Google DeepMindが9月15日に公開したGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingは、その沈黙をなくすために設計されています。

要点

• 両モデルとも会話を続けたままバックグラウンドでツールを実行し、97言語を自動検出してセッションを再開せずに切り替えます。
• Extended ThinkingはArtificial AnalysisのSpeech to Speech品質指数で82.6を記録し首位に立ちました。GPT-Live-1 Astraは81.5、Grok Voice Think Fast 2.0は81.3です。
• 入力音声1時間あたりの料金は標準モデルが0.84ドル、Extended Thinkingが3.50ドルです。Astraは5.83ドルになります。

バックグラウンド実行がもたらすもの

Extended Thinkingは推論と発話を同時に進めます。沈黙する代わりに「確認します」といった短い返答をまず返し、複数の工程を伴う作業をこなしながらその進み具合を言葉で説明します。こうした用途を狙ったのが上位モデルで、標準のGemini 3.8 Liveは滑らかな対話と視覚認識に振った低価格・大量処理向けの弟分です。

視覚情報はどちらのモデルもリアルタイムで扱います。ユーザーが画面にカメラを向けて「これは何か」と尋ねれば、モデルはその内容をそのまま会話に織り込みます。関数呼び出しは会話とは別に走ります。多くのAIエージェントがいまだ抜け出せない自動音声応答と、本物のアシスタントとを分けるのがこの点です。

AstraやGrokとの比較

OpenAIのGPT-Live-1 Astraと比べると、品質の差は小さく、タスク完遂率の差は大きくなります。エージェント性能を測るtau-VoiceベンチマークでExtended Thinkingは68.6%、Astraは67.9%でした。話しぶりではなく顧客の要望を実際に解決できたかを見るSierraのtau-Voice-banking評価では、35.1%対32.0%と差が広がります。

xAI勢はさらに後方です。Grok Voice Think Fast 2.0はtau-Voiceで56.5%、xAI-Realtimeは銀行業務テストで16.5%にとどまりました。GoogleはExtended ThinkingがBig Bench Audioで97.7%を記録したとしています。標準モデルは音声指数で76.0、スコアではなく好みで順位を決めるSpeech Agent Arenaでは2位に入りました。

勝負どころは価格

音声サービスの課金は時間単位です。そのため、順位表よりも料金表のほうが重みを持ちます。Artificial Analysisの数値をまとめた記事によれば、入力音声1時間あたりGrok Voice Think Fast 2.0は4.80ドル、Astraは5.83ドルです。いずれも両者を上回るGoogleのモデルの3.50ドルより高く、0.84ドルの標準ティアとは数倍の開きがあります。

性能で勝ちながら価格で下回るのは、同社が繰り返してきた手です。GoogleはGemini 3.7 Flashを前世代の半額で投入し、3.8 Flashは今回の発表のわずか2週間前に登場しました。音声のラインアップもテキストと同じ周期で動き始めたことになります。

誰が使えるのか

開発者はGemini APIとGoogle AI Studioから両モデルを利用できます。企業向けはGemini Enterpriseでのプライベートプレビューです。LiveKit、Pipecat、Agora、LangChain、VercelがすでにLive APIに対応しており、SalesforceやGenspark、Lumerisが早期導入企業として挙げられています。

一般利用者は有料のGoogle AIプランで、Gemini LiveやSearch Live、Docs・Gmail・KeepといったWorkspaceアプリを通じてExtended Thinkingに触れます。生成された音声には1秒ごとに、Googleの音声来歴マーカーであるSynthIDの電子透かしが入ります。

残る問いは、台本の外でも同じ品質を保てるかどうかです。評価は筋書き通りに進みますが、サポートの問い合わせ列はそうはいきません。Google DeepMindにとって最悪の失敗は、終わっていない作業を自信たっぷりに語るエージェントです。価格の優位は、その答えを実サービスで確かめる余裕を生みます。

FAQ: よくある質問

Gemini 3.8 Liveは今すぐ開発者が使えますか？

使えます。Gemini 3.8 Liveと3.8 Live Extended Thinkingは2026年9月15日からGemini APIとGoogle AI Studioで利用可能になりました。企業向けはGemini Enterpriseのプライベートプレビューで、顧客対応に特化したGemini Enterprise for Customer Experienceは近日提供とされています。

GPT-Live-1 Astraと比べて料金はどれほど違いますか？

Big Bench Audioの一部データを基準にした入力音声1時間あたりの料金は、Gemini 3.8 Liveが0.84ドル、Extended Thinkingが3.50ドルです。GPT-Live-1 Astraは5.83ドルで、Googleの低価格ティアはおよそ7分の1の水準になります。

対応言語はいくつですか？

97言語です。会話の途中で話者が言語を切り替えても自動で検出します。セッションを開始し直したり、事前に言語を指定したりする必要はありません。