Google、会話AIの新モデル発表

Googleは、これまでで最も先進的なライブ対話モデルであるGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表しました。両モデルとも、リアルタイム音声エージェント向けに構築されたネイティブのspeech to speechモデルです。これらは、Googleが先月Gemini 3.5 Transcribeで拡張したGemini Audioファミリーをさらに発展させるものです。このリリースは、会話の流れを中断することなく推論し、ツールを実行できる音声エージェントという特定のギャップを埋めることを目的としています。展開可能か？はい、APIベースのプロダクション利用向けです。両モデルは本日よりGemini Live APIとGoogle AI Studioで利用可能です。これらはホスト型モデルであり、open weightsではないため、self hostedオプションはありません。Googleが発表した内容今回の発表では、異なる役割を持つ2つのモデルがカバーされています。Gemini 3.8 Liveは、規模とコスト効率のために構築されています。会話インテリジェンスと流暢な対話、visual groundingを兼ね備えています。Gemini 3.8 Live Extended Thinkingは、高複雑度タスクのために構築されています。話しながら知能とmulti step reasoningを強化します。Googleは両モデルを、ASR、LLM、TTSを連鎖させるcascaded speech pipelinesに代わる合理化された選択肢として位置付けています。ベンチマーク結果Gemini 3.8 Live Extended Thinkingは、Artificial Analysis' Speech to Speech Quality Indexで82.6のスコアを獲得し、総合1位となりました。τ-Voiceで68.6%、Sierraのτ-Voice-bankingベンチマークで35.1%と、agentic task completionでリードしています。また、音声モデルの推論ベンチマークであるBig Bench Audioでは97.7%を記録しました。Gemini 3.8 Liveは、人間の好みによる評価であるSpeech Agent Arenaで2位を獲得しました。ServiceNowのEVA-Benchでは、Googleはこれらのモデルが複雑なworkflowsのPareto Frontierを押し上げると報告しています。これらは、Gemini Enterprise Agent Platform上のLive APIで測定されたtask accuracyとconversational qualityのバランスを取っています。開発者向けの機能Live APIは5つのcore capabilitiesを公開しています。