【geek-terminalニュース】Gemini 3.8 Liveで音声AIの勝負が“デモ映え”から常駐コストへ移った

以前お伝えしたChatGPT Voice/GPT-Live、そしてGemini 3.8 Flashの低価格競争の続報です。今回は単なる“音声で話せるAI”ではなく、Live系モデルによるフルデュプレックス音声API競争が主役です。ポイントは派手なデモではありません。遅延、割り込み、ツール呼び出し、視覚入力、そして常駐させたときの分単価。この5つがそろわないと、音声AIはプロダクトではなくステージ上の手品で終わります。

【事象の全貌と背景】
Googleは2026年9月15日、音声対話向けの新モデルとしてGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表しました。公式発表で確認できる範囲では、3.8 Liveはスケールとコスト効率を重視したライブ対話モデル、Extended Thinking版は複雑な依頼に対して多段推論を行う高難度タスク向けモデルです。両モデルはGemini APIとGoogle AI Studioで開発者向けに提供され、企業向けにはGemini Enterpriseのプライベートプレビュー、一般向けにはSearch LiveやGemini Live、Workspace内のDocs、Gmail、Keepなどへの展開が説明されています。

ここで重要なのは、Googleが音声AIを“チャットUIの別入力方式”としてではなく、リアルタイムの音声ファースト体験として再定義している点です。これまでの音声アシスタントは、聞き取り、文字起こし、LLM応答、音声合成を縦につないだパイプラインになりがちでした。しかしユーザー体験としては、返答が遅い、途中で割り込めない、複雑な作業中に黙る、外部APIを呼んでいる間に会話が止まる、という弱点が目立ちます。Gemini 3.8 Liveの発表は、このボトルネックをモデルとAPI設計の両面から潰しに来たものです。

The Decoderは、今回の価格設定をOpenAIのGPT-Live-1対抗として位置づけ、1時間の音声会話コストをGoogleが約1.38ドル、OpenAIが少なくとも3.00ドルと比較しています。これは単なる値下げ競争ではありません。スマートグラス、車載エージェント、コールセンター、会議同席AI、家庭内スピーカーのように、音声AIを“待機し続ける存在”にする場合、1分単価はそのまま製品設計の天井になります。常駐音声エージェントは、モデル性能より先に財布が焼け落ちる領域だったわけです。

【技術的ディープダイブ】
公式情報で確認できるGemini 3.8 Live系の核は、非同期関数呼び出し、ライブ映像入力、英数字データ処理、97以上の言語対応、増分コンテンツ更新です。特に非同期関数呼び出しは大きい。ユーザーに音声で応答を続けながら、バックグラウンドでAPIやツールを呼べるため、従来の“少々お待ちください”型の沈黙を減らせます。音声UIでは沈黙が数秒続くだけで、ユーザーは失敗したのか考え中なのか判断できません。ここで進捗を音声で返しつつ裏で処理する設計は、会話の連続性を保つための実務的な機能です。

Extended Thinking版にはconfigurable thinkingがあり、複雑な多段推論をバックグラウンドで処理しながら、主会話では応答や進捗説明を続けられるとされています。Googleはベンチマークとして、3.8 Live Extended ThinkingがArtificial AnalysisのSpeech-to-Speech Quality Indexで82.6、τ-Voiceで68.6%、Sierraのτ-Voice-bankingで35.1%、Big Bench Audioで97.7%を示したと発表しています。また3.8 LiveはArtificial AnalysisのSpeech Agent Arenaで2位を得たと説明されています。ベンチマーク名だけを見ると華やかですが、実装者目線で刺さるのは、会話しながら外部状態を更新できる増分更新と、請求番号や確認コードのような英数字を高精度に扱うという地味な部分です。ここが弱い音声AIは、銀行、保険、配送、予約、医療事務では即座に破綻します。

価格はさらに露骨です。Googleは音声入力を1分0.005ドル、音声出力を1分0.018ドルと示しています。注記では、入力300万トークンあたり3ドル、出力100万トークンあたり12ドルに基づく推定です。つまり、ユーザーが話し、AIが返す1分の会話は、入出力の構成にもよりますが非常に低い水準まで下がっています。The Decoderの比較では、1時間あたりGoogle約1.38ドル、OpenAI少なくとも3.00ドル。ここで起きているのは、音声AIが“プレミアム機能”から“常時接続インフラ”へ落ちてくる価格帯の変化です。

一方で、The DecoderはOpenAI側について、同時に聞きながら話すfull duplexによる自然さで優位の可能性があるとも評価しています。ここは断定ではなく比較上の見立てとして見るべきです。音声AIの勝敗は、ベンチマーク点だけでは決まりません。相手の発話に被せて自然に止まれるか、割り込み後に文脈を壊さないか、言い淀みや半端な指示を拾えるか、ツール実行中に会話のリズムを維持できるか。この“人間っぽい気まずさの処理”こそ、ライブ音声モデルの難所です。

【コミュニティの生々しい熱量と議論】
HNでは、Gemini Liveについて「full-duplex audioが可能」と評価する声があり、別のスレッドでは「Gemini 3 Live mode is much much better than ChatGPT」「Gemini will try to match your pitch and tone and way of speaking」といった肯定的な体験談も出ています。これはかなり重要です。音声AIはテキストLLM以上に、正答率だけでは評価されません。声のテンポ、相づち、トーン追従、返答開始の速さが体感性能になります。実際、「it responded unnaturally quickly!」というコメントもあり、速すぎる返答すら違和感になるという、テキストUIにはない評価軸が見えます。

ただし、熱量は一直線ではありません。同じHN上には「Gemini Live is pretty far behind advanced voice mode at the moment」という辛口評価もあり、「I have constant frustrations with Gemini voice to text misunderstanding what I’m saying」という音声認識への不満も出ています。さらに別スレッドでは、スウェーデン語をオランダ語と分類したという報告や、リアルタイム話者分離が3人を超えるとまだ厳しいという指摘もあります。97以上の言語対応は公式に確認できる強みですが、多言語対応と現場での堅牢性は別物です。特に訛り、混線、複数話者、生活音が入る家庭環境では、モデルカード上の対応言語数だけでは勝てません。

RedditのHome Assistant周辺では、さらにプロダクト実装の泥臭さが出ています。新しいGoogle Homeスピーカーについて、ユーザーはGemini搭載を期待しつつも、家庭内デバイス操作では従来のNest系と同じような失敗をしていると不満を述べています。あるユーザーは、Yamahaレシーバーの音量を声で変えようとしたらNest mini自身の音量が上がってしまい、Home Assistant側にヘルパー数値を作ってGoogle Homeに公開し、ルーティン経由で回避したと語っています。これはまさにギーク的現場感です。モデルが賢くなっても、デバイス状態、意図解釈、Home Assistant連携、ルーティン、権限、サブスク境界が噛み合わないと、ユーザーは結局ワークアラウンドを組むことになります。

一方で、擁護もあります。新スピーカーはマイクアレイが改善され、Gemini Liveセッション中に自分の音をキャンセルして聞き取りやすくなる可能性がある、という見方です。ここも重要で、音声AIの品質はモデル単体ではなく、マイク、エコーキャンセル、配信インフラ、レイテンシ制御、ホームオートメーション統合まで含んだ総合戦です。だからGoogleがAgora、Fishjam、LangChain、LiveKit、Pipecat、Vercel、Vision Agentsなどを連携パートナーとして挙げている意味は大きい。リアルタイムメディア基盤を抽象化し、開発者が体験設計に集中できるようにする、という公式説明は、音声AIがアプリ層だけでは成立しないことの裏返しでもあります。

【今後の展望とエコシステムへの影響】
今回のGemini 3.8 Liveは、音声AIの競争軸をかなりはっきり変えました。これから苦しくなるのは、単純なSTT、LLM、TTSの直列パイプラインだけで“リアルタイム音声AI”を名乗る実装です。会話中にツールを呼べない、割り込みに弱い、映像文脈を見られない、英数字を落とす、1時間使うとコストが重い。このどれか一つでも残ると、デモでは通っても常用プロダクトでは負けます。

逆に伸びるのは、Live APIの上に乗る常駐エージェントの実装です。会議で議事録を取りながら次のアクションを登録するAI、画面やカメラを見ながら修理手順を案内するAI、コールセンターで顧客と話しながらCRMを更新するAI、家庭内でHome AssistantやMatter機器をまたいで操作するAI。これらは“賢いチャットボット”ではなく、音声、視覚、外部API、状態管理を同時に扱うリアルタイムOS的な存在に近づいていきます。

ただし、楽観だけではありません。生成音声にはSynthID透かしが適用され、AI生成音声の検出可能性を高める安全策として説明されていますが、音声エージェントが常駐するほど、誤作動、なりすまし、録音、家庭内プライバシー、企業内情報漏えいのリスクも増えます。また、Google Home周辺の反応が示すように、モデルが進化しても末端の統合が古いままだと、ユーザー体験は“賢いのに使えない”で止まります。

結論として、Gemini 3.8 Liveのニュースは、GoogleがOpenAIに音声AIで殴り返したという単純な話ではありません。より本質的には、リアルタイム音声AIがベンチマークやデモ動画の時代から、分単価、割り込み耐性、ツール実行、映像文脈、ホームや業務システムとの統合で測られる時代に入ったという話です。音声AIは、ついに“話せるAI”から“そこに居続けて働くAI”へ移行し始めました。そしてその移行を決めるのは、声が自然かどうかだけではなく、1時間いくらで、何秒待たせず、どこまで現実のAPIを安全に触れるかです。