思考しながら発話するリアルタイム音声基盤モデル：GoogleがGemini 3.8 LiveとExtended Thinkingを発表、リアルタイム音声をマルチステップ推論の領域へ

GoogleのGemini Audioチームは、規模とコスト効率を重視したGemini 3.8 Liveと、高難度タスクおよびマルチステップ推論に特化したGemini 3.8 Live Extended Thinkingを発表した。本記事では、価格、ベンチマーク結果、7本のデモ、利用方法をまとめる。

1分でわかる要約

• Googleは2つのリアルタイム音声対話モデルを投入。規模とコスト効率を重視したGemini 3.8 Liveと、複雑なタスクやマルチステップ推論に特化したGemini 3.8 Live Extended Thinkingに分かれている。
• 最大の変化は「考えながら話す」並行推論メカニズムにある。モデルがバックグラウンドでツール呼び出しや高度な計画を行う際、まず口頭でリクエストを確認し、進捗状況を実況することで対話の連続性を維持できる。
• 複数の音声・エージェント評価ベンチマークを更新。Extended Thinkingはエンドツーエンドの音声品質指標（Speech to Speech Index）で首位を獲得し、τ-VoiceやSierraの銀行業務シナリオテストでもタスク完了率をリードしている。
• 7本の公式デモは、オンボーディング、チェス、スケッチからReactへの変換、レストラン予約、ブランド設計、Workspace連携、Search Liveによる配管修理を扱う。
• 1分間のリスニングは約$0.005。モデルが30秒話す場合は合計約$0.014、60秒話す場合は合計約$0.023。3つのLiveモデルは同価格で、無料プランは$0。
• Gemini 3.8 Liveは開発者向けにGemini APIおよびGoogle AI Studio経由で提供が開始され、Extended Thinkingは企業向けプライベートプレビューのほか、Gemini Liveや一部のWorkspaceサブスクリプションプランに導入される。Google AI製品によって生成された音声には、知覚不可能なSynthID透かしが埋め込まれる。

2モデルの役割分担：軽量な大規模導入と高難度な深層推論

リアルタイム音声で複雑なタスクを処理する際、迅速に応答することと、推論やツール呼び出しの最中に対話の連続性を保つことの双方が求められる。Googleは今回、単一のモデルですべてのシナリオをカバーするのではなく、規模とコスト、そして高難度の推論を2つのバージョンに切り分けた。

ベースバージョンであるGemini 3.8 Liveは、大規模デプロイにおける高い費用対効果に特化している。対話インテリジェンスと、ほぼリアルタイムの視覚理解、多言語のスムーズなストリーミング切り替えを緊密に統合し、高コンカレンシーかつ低遅延が求められる日常的なアシスタントや検索サービスを想定している。同モデルは会話中の自動認識と97言語間のスムーズな遷移をサポートし、英数字列を正確に解析できるほか、差分コンテンツの更新や非同期関数呼び出しに対応し、バックグラウンドでツールやAPI呼び出しを実行している間も対話を継続できると公式に説明されている。

高難度のワークフローを対象とするGemini 3.8 Live Extended Thinkingは、エンタープライズレベルの複雑なタスク実行を主眼に置く。マルチステップの論理推論とプランニング能力を重点的に強化しており、深い思考を要するカスタマーサービス、専門的なトラブルシューティング、複数システムの連携など、本番環境での活用を見据えている。この2つのモデルが合わさることで、低コストな対話から基盤となる複雑な業務処理に至るまで相互補完的な階層を構成している。同一の音声製品マトリクスにおいて、Gemini 3.5 Transcribeは85言語以上をサポートする専用の音声テキスト変換モデルであり、公式発表の平均単語誤り率（WER）はストリーミングで4.0%、非ストリーミングで2.6%である。これは3.8 Liveの代替となるものではなく、異なるシステム層に位置する純粋な文字起こしコンポーネントである。

価格：1分あたりいくらか

3つのモデルは同価格である。1分あたりの金額は次の通り。

音声入力は1分$0.005、音声出力は1分$0.018。モデルが30秒話す場合の出力料金は$0.009で、リスニング料金と合わせて約$0.014となる。

無料プランは$0。上表には、オプションの文字起こしとGoogle Search Groundingの料金は含まれていない。

考えながら話し、バックグラウンドで実行：複雑なタスクにおける長い沈黙をいかに削減するか

リアルタイム音声対話において、会話の直感を最も損なう体験は、複雑な質問を投げかけた後にシステムから長時間応答が返ってこないことである。Extended Thinkingの重要な設計は推論と発話を同時に行う点にある。まずリクエストを受け付けたことを確認し、マルチステップのタスクが進行する間に音声で進捗状況を説明する。

このリアルタイム協調は、3つのコア対話メカニズムによって支えられている：

1つ目は、早期の口頭確認である。ユーザーが検索や計算を伴うリクエストを発した際、モデルはまず自然な口頭フィードバック（例えば「少々考えますね」「該当の記録をお調べしています」など）を返し、早期の口頭確認によって対話の連続性を維持し、従来の音声対話で生じていた不安を誘う沈黙を回避する。

2つ目は、リアルタイムの進捗ナレーションである。複数のインターフェース呼び出しやステップ別の処理を必要とするバックグラウンドタスクにおいて、モデルはすべての結果が返るのを待ってから話し始めるのではなく、推論やタスクの推移の最中にリアルタイムの進捗ナレーションを通じてユーザーに現在の状況を同期し、途切れのないコミュニケーションを保つ。

3つ目は、バックグラウンド実行と対話の並行処理である。モデルはバックグラウンドでツールやAPI呼び出しを実行している最中も対話を継続し、バックグラウンドタスクの実行中も双方向のコミュニケーションを維持する。

ベンチマーク結果

Googleが発表した結果は次の通り。

• Extended Thinking： Speech to Speech Indexは82.6%で総合1位、τ-Voiceは68.6%、Sierra τ³-Bankingは35.1%、Big Bench Audioは97.7%。
• ベース版3.8 Live： Speech to Speech Indexは76.0%、τ-Voiceは30.1%、Big Bench Audioの1時間あたりコストは表中最安の$0.84、Speech Agent Arenaのユーザー選好で2位。
• 3.1 Highとの比較： Extended ThinkingはSpeech to Speech Index、τ-Voice、Sierra τ³-Bankingでそれぞれ11.1、30.9、23.8ポイント上回る。ベース版3.8 LiveはSpeech to Speech Indexで4.5ポイント上回り、τ-Voiceで7.6ポイント下回る。
• EVA-Bench： 3.8シリーズは精度と対話体験のパレートフロンティアに位置する。

図中の青い破線は、Googleが示したパレートフロンティアである。

7本の公式デモが示した内容

Googleは、視覚認識、コード生成、業務の中断処理、複数アプリ連携を扱う7本のデモ動画を公開した。

オンボーディングアシスタント： モデルは新入社員Davidと同じ画面を見ながら「個人情報」アイコンを案内し、健康・福利厚生ページを確認してHMOを説明する。情報セキュリティテストの解答を求められると代答を拒否し、本人が判断するよう促す。

チェスリアルタイム対局： モデルはチェス盤の視覚認識と音声の指し手を組み合わせる。ユーザーは白番でd4、e4、e5、Qf3、Bc4、Qxf7#と進め、黒番のGeminiをチェックメイトする。

スケッチからのリアルタイムReactコンポーネント変換： ユーザーが紙にスマートフォン画面を描きながら音声で修正を依頼すると、モデルは製品画像、説明文、下部ドロワー、アイコン付きアクションリストを順に追加し、最後にガラスモーフィズムへ切り替える。Koray Kavukcuoglu氏のX投稿は同じ71秒の動画であり、本記事では翻訳済みの中英二言語字幕版を掲載している。

レストラン予約と突発的な割り込み処理： ユーザーは来週土曜日の8名席を予約し、ケーキ持ち込みについて質問する。途中で料理画像を示してベジタリアン向けか尋ねると、モデルはベネズエラのチーズフライ（Tequeños）と認識して回答し、その後予約に戻って氏名と電話番号を収集し、予約を完了する。

ラーメン店のブランディング＆マーケティングツールキット： ユーザーは日本の伝統とブッシュウィックのストリート感、ミニマルな赤を組み合わせるよう依頼する。モデルはムードボードを作成し、音声で都市景観の水墨画を修正し、ブランドガイドラインとロゴシステムへ展開する。

Google Workspaceとの緊密な連携： モデルはGmailから保育園の準備リストを抽出し、Keepでペンキ塗りの手順と材料を整理し、Docsで街区パーティーの企画案を作成しながら、予約済みのホテルと日程を検索して反映する。

Search Live による実物配管の点検・修理： ユーザーがスマートフォンを家庭内の配管に向けると、モデルは青いハンドルを冷水のメイン元栓と認識する。ノギスの測定値から公称3/4インチの銅管と判断し、公称内径と実際の外径を説明した上で、本管切断の専門性と水漏れリスクを警告する。

利用方法：直接体験からSDK連携まで

ノーコードでの直感的な体験からエンジニアリングによる開発に至るまで、GoogleはWebインターフェースからコードSDKに至る複数のアクセス手段を提供している：

1. 一般ユーザー：設定不要の直接体験

• AI Studio Web版： Google AI StudioのLiveコンソールに直接アクセスし、モデルのドロップダウンメニューからgemini-3.8-liveまたはgemini-3.8-live-extended-thinkingを選択することで、マイクとカメラを使ったフルデュプレックスの音声および視覚対話を即座に利用できる。
• エンド製品の導線： 一般ユーザーはSearch Liveで3.8 Liveを体験できる。Gemini LiveおよびGmail、Docs、Keepなどの個人・法人向け機能は、各サブスクリプションティアに応じて段階的に展開されている。

2. 開発者：最小限の実行可能なPython連携コード例

開発者は、Googleの最新のgoogle-genai SDKを通じて双方向WebSocketストリーミングセッションを確立できる。

事前準備：

pip install -U google-genai
export GEMINI_API_KEY="your-api-key-here"

最小接続コード：

import asyncio
import os
from google import genai

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
model = "gemini-3.8-live"
config = {"response_modalities": ["AUDIO"]}

async def main():
    async with client.aio.live.connect(model=model, config=config) as session:
        print("Session started")

if __name__ == "__main__":
    asyncio.run(main())

3. モデル選定と移行における重要ポイント

• シナリオに応じた選定： gemini-3.8-liveは低遅延な日常会話、直接的な指示、応答の速い軽量ツールに適している。gemini-3.8-live-extended-thinkingは、マルチステップの計画、診断やトラブルシューティング、実行に時間を要する低速ツールの呼び出し、およびモデルが思考しながら音声で待ち時間をカバーする必要があるシナリオに適している。
• 3.1からベース版3.8への移行： モデル名をgemini-3.8-liveに更新し、従来の構成からthinking_levelおよびthinking_configを必ず削除する（ベース版3.8はいかなる思考設定もサポートしていない）。turnCompleteのライフサイクルは従来と同一である。
• Extended Thinkingへの適応仕様：
  • モデルIDには必ずgemini-3.8-live-extended-thinkingを指定する。
  • 関数およびツールの定義には、明示的にbehavior: NON_BLOCKINGを宣言する必要がある。
  • タスクライフサイクルの判定：1回の音声出力完了は単に1回の音声ターンの終了を意味し、turnComplete: trueを受信するが、タスク全体の完了を意味するものではない。必ずinteraction_statusを読み取って全体の状態を判定する必要があり、ステータスがIDLEに移行して初めてモデルが真に待機状態となったとみなせる。IN_PROGRESSの場合は、モデルがバックグラウンドで思考中であるか、ツールを実行中であるか、あるいは追加の応答を準備していることを示す。
  • 思考レベル：thinking_levelはlow、medium、highをサポートし、minimalはサポートしない。
• クライアントサイドのセキュリティアーキテクチャ： ブラウザやモバイル端末からLive APIへ直接接続する必要がある場合、クライアント内に長期的なAPIキーをハードコードしてはならない。必ずバックエンドの認証サーバーから短期のephemeral tokenを発行し、長期的な認証情報はサーバーサイドで保持する必要がある。

開発者エコシステムとストリーミング基盤：リアルタイム全二重のハードルを引き下げる

高可用性かつ低遅延なリアルタイム音声対話システムを構築する上で、モデル自体の推論は氷山の一角に過ぎない。大半のアプリケーションレイヤーの開発者にとって、複雑なリアルタイムメディアストリーミングのインフラ管理は極めて重い負担となる。

Googleはエコシステムパートナーと連携する戦略を採用した。Gemini Live APIの公開と同時に、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどの開発者プラットフォームやクラウド通信ベンダーがパートナーシップに参画している。パートナー各社が複雑なリアルタイムメディアストリーミング基盤を管理することで、エンジニアリングチームはSDKをベースに独自のカスタム音声Agentを迅速に開発できるようになる。

GoogleはさらにSalesforce、Genspark、Lumerisなどの提携企業を挙げており、各社は遅延、会話のスムーズさ、ツール呼び出し能力を評価している。

SynthID透かしと提供スケジュール

透明性とトレーサビリティを確保するため、すべてのGoogle AI製品によって生成された音声には、人間の耳には知覚できないSynthID透かしが埋め込まれ、AI音声の検出可能性が維持される。

両モデルのロールアウトは段階的に進められている：

Gemini 3.8 Liveは、開発者向けにGemini APIおよびGoogle AI Studioに導入され、企業向けにはGemini Enterpriseプライベートプレビューとして提供され、今後Customer Experienceに導入される予定である。一般ユーザー向けにはSearch Liveで提供される。

Gemini 3.8 Live Extended Thinkingは、企業向けにプライベートプレビューとして提供された後、Customer ExperienceおよびWorkspaceビジネスユーザー向けに展開される。個人ユーザー向けには、Gemini Live、ProおよびUltra加入者向けのWorkspace Docs、ならびにすべてのGoogle AI加入者向けのGmailおよびKeepに提供される。

まとめ

Gemini 3.8 Liveは3.1と同価格で、低遅延かつ大規模な音声アプリに向く。Extended Thinkingは、マルチステップ推論、バックグラウンドのツール呼び出し、継続的な音声フィードバックを1つのセッションに統合し、複雑なカスタマーサービス、トラブルシューティング、複数システム連携に向く。コストと速度を優先するなら3.8 Live、タスク完了率と複雑な推論を優先するならExtended Thinkingを選べばよい。