Googleは2026年9月15日、リアルタイム音声対話に特化した新モデル「Gemini 3.8 Live」と、より高度な推論に対応する上位版「Gemini 3.8 Live Extended Thinking」を発表しました。会話を止めずに裏でツールを実行したり、視覚情報をほぼリアルタイムで理解したりできるのが特徴です。同日からGemini APIとGoogle AI Studioで利用でき、Geminiアプリの音声機能「Gemini Live」やGoogle検索の「Search Live」にも順次展開されています。
この記事では、Gemini 3.8 Liveでできること、料金、使い方に加えて、OpenAIが9月10日にAPI提供を始めた「GPT-Live-1」との違いを整理します。
Gemini 3.8 Liveとは
Gemini 3.8 Liveは、Googleが2026年9月15日に発表した音声対話向けのAIモデルです。同時に発表された上位版「Gemini 3.8 Live Extended Thinking」とあわせて2モデル構成になっており、用途によって使い分ける設計になっています。
- Gemini 3.8 Live：応答速度とコスト効率を重視した音声エージェント向けモデル
- Gemini 3.8 Live Extended Thinking：複雑な分析や複数手順のタスクに対応する、推論を強化した上位モデル
どちらも音声を直接処理して音声で応答する仕組みで、テキストに変換してから読み上げる従来型の音声アシスタントとは異なり、より自然でなめらかな会話を目指したモデルです。
主な新機能
Googleが発表した両モデル共通の特徴は、次の4点です。
バックグラウンドでのツール実行
API連携や外部ツールの呼び出しを非同期で行い、処理が完了するのを待つ間も音声での応答を続けられます。従来のように「少々お待ちください」と会話が止まることがありません。
ほぼリアルタイムの視覚理解
カメラやアプリ画面などの視覚情報を会話中に理解し、ユーザーが今見ているものを踏まえて回答します。Googleは活用例として、画面を見ながら質問に答える新入社員向けの案内や、盤面を見ながら対話するチェスのデモを紹介しています。
97言語の自動検出
会話の途中で言語が切り替わっても自動で検出して対応します。Googleによると、確認コードなど英数字混じりの内容も正確に認識できるとしています。
Extended Thinkingは推論の深さを3段階で設定可能
上位版のExtended Thinkingは、APIで推論の深さを「low」「medium」「high」の3段階から指定できます。依頼を受けるとまず短く応答し、バックグラウンドで推論やツール呼び出しを進めながら、その進捗を音声で伝える仕組みです。
Googleの発表によると、Extended Thinkingは音声対話モデルを評価するArtificial Analysisの「Speech to Speech Quality Index」で82.6を記録し、発表時点で総合1位としています。また、音声で対話しながらツールを使って顧客対応の課題を完了できるかを測るベンチマーク「τ-Voice」で68.6％、Sierraの「τ-Voice-banking」で35.1％を記録し、いずれもタスク完了率で首位だとしています。
どこで使える？展開状況まとめ
| 提供先 | 対象モデル | 状況 |
|---|---|---|
| Search Live（Google検索） | Gemini 3.8 Live | 9月15日から順次展開 |
| Geminiアプリの「Gemini Live」 | Extended Thinking | 9月15日から順次展開 |
| Workspace（Docs Live・Gmail Live・Keep Live） | Extended Thinking | Google AI契約者向けに順次展開 |
| Gemini Enterprise | 両モデル | プライベートプレビュー |
| Gemini API／Google AI Studio | 両モデル | 9月15日から提供開始 |
開発者向けのモデルIDは、Gemini 3.8 Liveが「gemini-3.8-live」、Extended Thinkingが「gemini-3.8-live-extended-thinking」です。Google AI Studioには無料枠があるため、契約前にまず試すこともできます。
料金
Gemini APIの料金表によると、両モデルの有料枠における音声料金は次のとおりです。
| 項目 | 単価 | 1分あたりの目安 |
|---|---|---|
| 音声入力 | 100万トークンあたり3ドル | 約0.005ドル |
| 音声出力 | 100万トークンあたり12ドル | 約0.018ドル |
音声を入れて音声で返す一往復の会話であれば、1分あたり合計で約0.023ドルが目安になります。テキストの入出力や画像・動画の入力には別途単価が設定されているため、正確な金額はGoogleの公式料金ページで確認してください。
なお、GeminiアプリやSearch Liveなど一般ユーザー向けの音声機能は、既存のGeminiの契約プランの範囲で利用でき、API利用時のような従量課金は発生しません。
GPT-Live-1との違い
OpenAIも2026年9月10日、リアルタイム音声モデル「GPT-Live-1」のAPI提供を開始しています。同じ「話しながら考える」音声AIとして比較されることが多いため、主な違いを整理しました。
| 項目 | Gemini 3.8 Live | GPT-Live-1（OpenAI） |
|---|---|---|
| 発表・提供開始 | 2026年9月15日 | 2026年9月10日（API提供開始） |
| 提供元 | OpenAI | |
| 料金体系 | トークン単位課金（1分あたり目安 約0.023ドル） | 音声セッション課金、1分0.05ドル |
| 特徴 | バックグラウンドツール実行、97言語自動検出、視覚理解 | 全二重方式で割り込み・沈黙・雑音に対応、複雑な処理はGPT-6 Astraなどに委任 |
| 一般ユーザー向け提供 | Search Live／Geminiアプリの「Gemini Live」 | 現状はAPI中心で、コンシューマー向け提供は限定的 |
料金だけを見るとGemini 3.8 Liveの方が1分あたりの単価は低めですが、課金方式が「トークン単位」と「セッション時間単位」で異なるため、実際のコストは会話の内容や利用時間によって変わります。またGoogleはSearch LiveやGeminiアプリを通じて一般ユーザーにもすぐ手が届く形で展開している点が、現状API中心のGPT-Live-1との大きな違いです。
使い方
一般ユーザー（アプリで使う場合）
Geminiアプリのマイクアイコンから音声会話を開始すると、順次Extended Thinkingが利用できるようになります。Google検索アプリの「Search Live」機能からも、Gemini 3.8 Liveベースの音声対話を試せます。追加の申し込みは不要で、既存のプランのまま利用できます。
開発者（APIで組み込む場合）
- Google AI Studio（aistudio.google.com/live）でモデルを試す
- Gemini APIキーを取得する
- Live API（WebSocket接続）経由でアプリに組み込む。サーバー経由（server-to-server）とクライアント直結（client-to-server）の2方式があり、本番環境では一時トークン（ephemeral tokens）の利用が推奨されている
まとめ
Gemini 3.8 Liveは、会話を止めずに裏でツールを実行できる点と、97言語を自動で切り替えられる点が大きな特徴です。上位版のExtended Thinkingは推論力を強化し、複雑なタスクにも対応します。同時期にOpenAIのGPT-Live-1もAPI提供を開始しており、音声AIの分野でも各社の競争が本格化してきました。コストを抑えたいなら料金体系を、すぐに試したいならGeminiアプリやSearch Liveでの提供状況を、それぞれ確認したうえで選ぶとよいでしょう。
