Google は 2026 年 9 月 15 日、新しい音声 AI モデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表しました。どちらのモデルも、Gemini API・Google Workspace・Gemini アプリを通じて即日利用できます。
これまでの音声アシスタントは、「音声を文字に変換する→内容を解析する→音声として返す」という工程を順番にこなす仕組みでした。今回のモデルはその工程を省き、音声を直接処理する設計を採用しています。そのため、会話の途中でユーザーが口を挟んでも、話し方のトーンが変わっても、それまでの文脈を保ったまま対応できます。さらに、スケジュール確認や情報検索といった処理をバックグラウンドで実行しながら、「少し確認してみますね」と自然に返答して会話を途切れさせない点も、従来製品との大きな違いです。
2 つのモデルはターゲット用途が異なります。標準の「Gemini 3.8 Live」はコストと汎用性のバランスを重視した設計で、日常的な会話業務や顧客対応に適しています。一方の「Extended Thinking」は、複数のステップにわたる複雑な判断や推論を伴うタスク向けです。AI が考えている最中に会話が途切れないよう、考えながら話す仕組みを取り入れており、これにより「AIが返答し終わった＝処理が完了した」とは必ずしも言えなくなりました。システムを組み込む開発者はこの点を念頭に置いておく必要があります。
第三者機関の評価では、「Extended Thinking」が Artificial Analysis の音声品質指標で 82.6 点を獲得し、OpenAI の競合モデル（ 81.5 点）を上回って 1 位となりました。タスク達成率を測る τ-Voice ベンチマークでも 68.6% を記録しており、前世代モデルの 37.7% から大幅に改善されています。
コスト面では、音声入力が 1 分あたり $0.005（約 0.75 円）、音声出力が 1 分あたり $0.018（約 2.7 円）で、10 分の通話にかかる費用は約 $0.23（約 34.5 円）です。OpenAI の同種モデルが 10 分で最低 $0.50（約 75 円）、米国のコールセンター担当者の人件費が同じ 10 分で約 $3.59（約 538.5 円）であることと比べると、その低コストは際立っています。
導入が進む企業・プラットフォームも増えており、Agora・LiveKit・Pipecat・Vercel が API を採用済みです。Salesforce や Lumeris といった大手企業も検証を進めています。また、このモデルが生成する音声にはすべて Google DeepMind の SynthID 技術による電子透かしが埋め込まれており、AI が生成した音声であることを識別できるようになっています。
