Ep.1504 Google、より自然で高度な音声対話を実現する「Gemini 3.8 Live」および「Extended Thinking」を発表（2026年9月16日配信）

タイトル

Google、より自然で高度な音声対話を実現する「Gemini 3.8 Live」および「Extended Thinking」を発表

このエピソードで登場するキーワードを説明します。

Gemini 3.8 Live: 音声対話に特化したGoogleの最新AIモデル。リアルタイムでの視覚入力の処理や97言語の自動切り替えに対応し、流暢で途切れのない自然な会話を実現する。

Gemini 3.8 Live Extended Thinking: 複雑なタスク向けに高度なマルチステップ推論能力を備えた上位モデル。裏側で処理を進めながら「ちょっと確認しますね…」といった自然な相槌や進捗のナレーションを行い、ユーザーを待たせることなく会話を継続できる。

非同期ツール呼び出し: AIが裏側でAPIを叩いたりデータ検索といった作業（ツール実行）を進めながらも、ユーザーへの音声応答をストリーミングで同時並行して行える仕組み。

それでは解説に入ります。

2026年9月16日、Googleは音声対話AIの新たなマイルストーンとなる「Gemini 3.8 Live」および「Gemini 3.8 Live Extended Thinking」を正式発表しました。これらは、人間と話しているかのような自然な会話を維持しながら、視覚的なコンテキストの理解や、裏側での複雑なタスク実行を可能にする次世代の音声対話モデルです。すでにGemini APIやGoogle AI Studioなどを通じた開発者向けの提供が開始されています。

標準モデルである「Gemini 3.8 Live」は、コスト効率とスケーラビリティに優れています。デバイスのカメラなどを通じた視覚入力をほぼリアルタイムで処理して会話の文脈に反映できるほか、会話の途中で97もの言語を自動的に検知してシームレスに切り替えることが可能です。また最大の強みとして、裏側でAPIやツールの呼び出しを実行している間もユーザーと会話し続けることができるため、従来の音声アシスタントによくあった「処理待ちの不自然な沈黙」を劇的に減らすことができます。

一方、より高度な推論を必要とする複雑なタスク向けに設計されたのが「Gemini 3.8 Live Extended Thinking」です。このモデルは、複数のステップにまたがるような複雑な問題を解決しながら、同時に会話を行うことができます。例えば、バックグラウンドで作業を進めながら「ちょっと確認しますね…」と自然な合図を出したり、処理の進捗を音声でナレーションしたりすることで、ユーザーはAIが今どのように考え、動いているのかを容易に把握できます。ベンチマークにおいても、音声AIの品質指標（Speech to Speech Quality Index）でトップスコアの82.6を獲得し、自律的なタスク完了能力でも業界最高水準の性能を示しています。

今回の2つのモデルの登場により、音声AIは単なる「一問一答のツール」から、視覚情報を共有し、複雑な業務システムと連動しながら一緒に考えてくれる「真の対話パートナー」へと進化しました。Salesforceなどの企業もすでにこの技術への期待を寄せており、今後のエンタープライズ領域や、高度なリアルタイム音声アプリケーションの開発において、大きなブレイクスルーをもたらすことが期待されています。

今回のエピソードは以上で終了です。また次回お会いしましょう。