Gemini 3.8 Live and Gemini 3.8 Live Extended Thinking

Gemini 3.8 Live and Gemini 3.8 Live Extended Thinkingは、Googleの音声対話モデルです。ほぼリアルタイムの会話、視覚コンテキスト、ツール利用、推論に対応し、開発者や企業の音声エージェント構築、Gemini、Workspace、検索でのライブ体験を支援します。

AIボイスチャット生成

AIボイスアシスタント

大規模言語モデル

ウェブサイトを訪問

Gemini 3.8 Live and Gemini 3.8 Live Extended Thinking

概要

Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingは、ほぼリアルタイムの音声インタラクションに対応するGoogleのモデルです。会話による対話に視覚的グラウンディング、ツール利用、推論を組み合わせ、ユーザーは入力プロンプトだけに頼らず、話すことでタスクを進められます。

標準のLiveモデルは、滑らかで拡張性のある音声エージェントと高速な会話応答を目的としています。Live Extended Thinkingは、複数ステップの推論を必要とする、より要求の高いワークフローを想定しています。作業の進行中も話し続け、バックグラウンドタスクの進展に合わせて進捗を説明できます。これらのモデルは、開発者や企業向けの音声アプリケーションに加え、Geminiアプリ、Google Workspace、検索での体験向けに提供されています。

中核機能

自然なライブ対話

高速で滑らかな音声インタラクション向けに設計されており、拡張性があり、コスト効率の高い音声エージェントのワークロードを想定しています。

ほぼリアルタイムの視覚的グラウンディング

視覚的コンテキストをほぼリアルタイムで受け付けるため、オンボーディング画面やチェス盤など、モデルが見ているものを会話に取り入れられます。

多言語切り替え

Gemini 3.8 Liveは、会話中に対応する97言語を検出し、言語間を切り替えられます。

バックグラウンドでのタスク実行

リクエストを受け付けて会話を続けながら、バックグラウンドでツールやAPI呼び出しを実行できます。

ライブ進捗を伴う拡張推論

Extended Thinking版は、高い複雑性を持つタスク向けに設計されており、会話しながら複数ステップの推論を行い、早い段階で音声による合図や進捗説明を提供します。

音声エージェント開発エコシステム

Gemini Live APIは音声エージェントの開発をサポートします。また、Agora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどのプラットフォームが、開発やデプロイのワークフローを可能にするものとして挙げられています。

実用的なユースケース

会話によるタスク自動化
音声エージェントはリクエストを受け付け、バックグラウンドでAPIやツールを呼び出し、ユーザーを待たせたまま無言にすることなく状況を知らせ続けられます。予約など、複数ステップのサービス対応ワークフローに適しています。
視覚的な職場支援
従業員は、モデルが画面やその他の視覚的コンテキストをほぼリアルタイムで解釈する間、オンボーディングやトラブルシューティング中にライブガイダンスを受けられます。
本番環境向け音声エージェント
開発者はGemini Live APIと対応するリアルタイムメディアプラットフォームを使用して、音声駆動のインターフェースを構築できます。これらのプラットフォームがストリーミング基盤を処理する間、開発者はインタラクション設計に集中できます。
複雑な作成と計画
Extended Thinkingは複雑な計画を進め、進捗を音声で説明し、音声による指示を実用的なReactコンポーネントや事業計画資料などの成果物に変換できます。
多言語の会話
対応言語間の切り替えを手動で行わなくても、多言語の会話で言語を切り替えられます。言語の変更を伴うライブ対話に役立ちます。

Pros and Cons

Pros

視覚的コンテキストを伴う、自然でほぼリアルタイムの音声対話に対応します。
会話を停止せずに、バックグラウンドでツールやAPI呼び出しを実行できます。
Extended Thinkingにより、複雑なタスク向けの複数ステップの推論、音声による応答、進捗説明が加わります。
会話中に97言語間の自動切り替えに対応します。
Gemini Live APIとGoogle AI Studioを通じて、開発者向けの文書化された利用経路を提供します。

Cons

提供されたローンチ資料には、公式価格、プランの制限、セットアップ要件、完全な提供状況の詳細が記載されていません。
記事ではベンチマーク結果と一部の製品体験が説明されていますが、あらゆる音声ワークフローやデプロイ環境での性能を示すものではありません。
利用可能な範囲は提供先によって異なります。情報源では開発者向けアクセスと企業向け展開が別々に説明されているため、目的のプラットフォームで利用できるか確認が必要です。

FAQ

開発者はどこでGemini 3.8 Liveにアクセスできますか？

Gemini 3.8 Liveは、開発者向けにGemini APIとGoogle AI Studioから利用できます。また、Gemini Enterpriseで展開が進められていると情報源は述べていますが、提供されたテキストでは、今後の企業向け提供に関する詳細は不完全です。

Gemini 3.8 LiveとLive Extended Thinkingの違いは何ですか？

Gemini 3.8 Liveは、高速で滑らかな対話、視覚的グラウンディング、拡張可能な音声エージェントのワークロードを想定しています。Gemini 3.8 Live Extended Thinkingは、複数ステップの推論や、より深いタスク完了が有用な、より複雑なタスクを想定しています。

タスクに取り組みながら会話を続けられますか？

これらのモデルは、視覚入力をほぼリアルタイムで処理し、ツールやAPI呼び出しをバックグラウンドで実行しながら会話を続けられます。Extended Thinkingでは、より長いタスクの実行中に音声で進捗を知らせることもできます。

Gemini 3.8 Liveは何言語に対応していますか？

Gemini 3.8 Liveは、会話中に対応する97言語を自動的に検出し、言語間を切り替えられます。これはローンチ記事に基づく情報です。

生成音声には透かしが付与されますか？

Google AI製品で生成された音声にはSynthIDによる透かしが付与されます。情報源では、AI生成音声の検出に役立つ、知覚できない透かしと説明されています。

Quick Facts

カテゴリー: AI音声・対話モデル
バリエーション: Gemini 3.8 Live、Gemini 3.8 Live Extended Thinking
主な利用者: 開発者、企業、Geminiアプリ・Workspace・検索のユーザー
開発者向けアクセス: Gemini APIとGoogle AI Studio
中核ワークフロー: 視覚入力、バックグラウンドのツール、API呼び出しを伴うライブ会話
音声の出所情報: Googleによると、生成音声にはSynthIDの透かしが付与されます