話しながら考える——グーグルがGemini 3.8 Liveで賭けたバックグラウンド処理

2026年9月15日、グーグルはGemini 3.8 Liveと、その派生版であるExtended Thinkingを発表した。いずれもリアルタイムの会話を扱うために設計された、ネイティブなspeech-to-speechの音声対話モデルだ。技術的に最も大きな変化は声のなめらかさではなく、会話中に外部ツールを呼び出し、バックグラウンドで処理を進められる点にある。TechRepublicの分析が指摘しているとおり、この分離によって、話し終えることと裏側の処理が終わることが必ずしも一致しなくなる。両モデルは97言語間の動的な切り替えと、ほぼリアルタイムでの視覚入力の処理に対応し、生成音声を識別するための電子透かし技術SynthIDも組み込んでいる。

性能面では、Extended ThinkingがArtificial AnalysisのSpeech to Speech Quality Indexで82.6点を獲得し、首位に立った。ただしこれは独自の方法論を持ち、順位がよく入れ替わる民間のベンチマークであり、競合との差は小さい。Insider Monkeyが伝えた数値では、OpenAIのGPT-Live-1 Astraが81.5点、xAIのGrok Voice Think Fast 2.0が81.3点だ。Insider Monkey自身、わずか1.1点という差は構造的な技術格差というより、競争の激しさを映したものかもしれないと指摘している。社内ベンチマークについては、グーグルはBig Bench Audioで97.7パーセント、τ-Voiceで68.6パーセントと公表しているが、Sierraのより難しいシナリオであるτ-Voice-bankingでは35.1パーセントまで下がる。独立した第三者による検証がない以上、これらの数値はメーカー側の一方的な主張として読むべきものだ。

初期の提供範囲は、開発者向けAPIと、Search LiveやGeminiアプリといった商用サービスへの組み込みの双方に及ぶが、運用コストとインフラの安定性についてはいくつも不透明な部分が残る。専門メディアは標準版について、音声入力トークン100万あたり3ドル、出力100万あたり12ドル（毎分およそ0.005ドルと0.018ドル）という料金を伝えているものの、2026年9月19日に確認したグーグルの公式価格ページには、まだこの項目が載っていない。Extended Thinkingの推論トークンにかかる追加費用も示されていない。さらにLive API全体がプレビュー段階にとどまり、一般提供の日程は定まっておらず、実際のレイテンシや多言語での誤り率について測定値は公表されていない。

レイテンシや97言語での精度について測定データを出さないという選択は、最大の疑問を開いたままにする。会話の流れとバックグラウンド処理の分離が、管理されたベンチマークの外、日常的な使用に耐えられるのかどうかだ。見えない音声インタラクションが具体的な進化なのか、それとも遅れないための加速にすぎないのかを決めるのは、民間テストの小数点以下ではなく、現実のインフラの安定性だろう。