［開発者向け］Google、リアルタイム音声API「Gemini 3.8 Live」「3.5 Transcribe」公開——音声エージェント開発の全体像

2026-09-19

はじめに

　Googleは2026年9月15日、Gemini APIとGoogle AI Studioで利用できる新しい音声モデル「Gemini 3.8 Live」「3.8 Live Extended Thinking」「Gemini 3.5 Transcribe」を発表しました。本稿では、それぞれの機能や料金、開発者向けの活用方法について解説します。

参考記事

タイトル: Build real-time voice applications with Gemini 3.8 Live and 3.5 Transcribe
著者: Alisa Fortin、Thor Schaeff
発行元: Google（Google公式ブログ）
発行日: 2026年9月15日
URL: https://blog.google/innovation-and-ai/technology/developers-tools/build-real-time-voice-applications-gemini-audio/

要点

Googleは、音声対話モデル「Gemini 3.8 Live」「3.8 Live Extended Thinking」と、音声認識モデル「Gemini 3.5 Transcribe」をGemini APIとGoogle AI Studioで公開した。
Gemini 3.8 Live Extended Thinkingは、Artificial AnalysisのSpeech-to-Speechリーダーボードで1位を記録している。
Gemini 3.5 Transcribeは85以上の言語に対応し、単語誤り率(WER)はストリーミングで4.0%、非ストリーミングで2.6%である。
Gemini 3.8 Liveの料金は音声入力が1分あたり0.005ドル、音声出力が1分あたり0.018ドルである。
Googleは音声翻訳の「Gemini 3.5 Live Translate」や音楽生成の「Lyria 3.5」など、開発者向けの音声関連モデル群も提供している。

詳細解説

Gemini 3.8 LiveとExtended Thinkingの機能

　Googleによれば、Gemini 3.8 Liveは音声を直接音声で処理する「speech-to-speech」方式のモデルで、対話の流れを保ったままタスクをこなせる点が特徴です。複雑な依頼向けの3.8 Live Extended Thinkingはより深い推論を行い、Artificial AnalysisのSpeech-to-Speechリーダーボードで1位を記録しています。主な機能は次のとおりです。

非同期の関数呼び出し: 音声応答をユーザーへ返し続けながら、バックグラウンドでAPIやツールの呼び出しを実行できる
視覚的な文脈理解: リアルタイムの映像入力を対話の文脈に組み込み、ユーザーの発言と見ている対象の両方を理解できるエージェントを実現する
英数字の正確な認識: 確認番号や請求番号、技術データなどを正確に読み取れる
多言語対応: 97以上の言語に対応し、アクセントの一貫性も保たれる
段階的なコンテンツ更新: リアルタイム音声と構造化データをシームレスに統合し、文脈に応じた応答を返せる

　3.8 Live Extended Thinkingでは、複雑な多段階の推論をバックグラウンドで処理しつつ、その進捗を会話の中で応答・説明する「設定可能な思考(configurable thinking)」にも対応しています。Googleは、これらのモデルを従来のLiveモデルからの大きな進化であり、複数のモデルを連結する「カスケード型」のアーキテクチャに代わる、より一体化した選択肢と位置づけています。

　音声認識・対話生成・音声合成を別々のモデルでつなぐカスケード型と比べ、単一モデルで音声を直接処理する方式は遅延や情報の欠落を減らしやすいと考えられます。一方で、非同期の関数呼び出しや視覚的な文脈理解といった機能は、単なる音声対話を超えて、実務的なタスク実行を担うボイスエージェントを想定した設計だと受け止めています。

料金と利用方法

　Gemini 3.8 LiveとGemini 3.8 Live Extended ThinkingはLive API経由で利用でき、料金は音声入力が1分あたり0.005ドル、音声出力が1分あたり0.018ドルとGoogleは説明しています。

　また、メディアストリーミング基盤を担うLive API統合パートナーとして、Agora、Fishjam、LiveKit、LangChain、Pipecat、Vercel、Vision Agentsの7社を挙げており、実運用向けのインフラ構築を各パートナー経由で進められるとしています。

Gemini 3.5 Transcribeの機能

　Gemini 3.5 Transcribeは、低遅延かつ高精度な音声認識に特化したモデルで、先月(2026年8月)に公開済みです。Googleによれば、単語誤り率(WER、認識結果の誤り度合いを示す指標)はストリーミング方式で4.0%、非ストリーミング方式で2.6%を記録しています。主な機能は次のとおりです。

自動コードスイッチング: 文中・文間での言語切り替えを、手動設定なしで処理する
カスタム語彙のバイアス設定: 業界特有の用語や珍しい専門用語、社名、固有名詞などを最大1,000語までのカスタム語彙リストとして渡すことで、認識精度を狙った方向に寄せられる
スマート文字起こしモード: フィラー(言い淀み)を除去し、構造化された整形済みの読みやすい文字起こしを生成する

　3.5 Transcribeは85以上の言語に対応し、字幕付けやコールセンターの音声対応、リアルタイムの音声分析など、状態を持たない単発のタスクに向いているとされています。また、Interactions API経由で最長1時間の音声ファイルをタイムスタンプ付き・話者ラベル付きで文字起こしすることも可能です。詳細な使い方はGoogleが公開している開発者ガイドで確認できます。

　カスタム語彙リストを渡せる仕組みは、専門用語が多い業界(医療・法律・製造業など)向けの音声認識精度を実務レベルまで引き上げる上で有効な機能だと考えられます。

開発者向けの音声モデル群

　Googleは、ai.studio/liveでモデルを試したり、GitHubのgemini-live-api-examplesからサンプルアプリを取得したり、live api skillを使ってエージェントに音声機能を組み込んだりできるとしています。

　さらに、Gemini APIでは次のような音声関連モデルも利用できます。

Gemini 3.5 Live Translate: 70以上の言語に対応する音声から音声への同時通訳モデル
Gemini 3.1 Flash TTS: 高度に設定可能な音声合成モデル(今後さらに更新予定)
Lyria 3.5: 本番運用レベルの音楽生成モデル

　音声対話・音声認識・翻訳・音声合成・音楽生成という一連のモデル群がGemini APIに揃っている点は、音声を中心とした製品を単一のプラットフォームでまとめて構築しやすくする狙いがあると受け止めています。

まとめ

　Googleは、音声対話モデル「Gemini 3.8 Live」「3.8 Live Extended Thinking」と、音声認識モデル「Gemini 3.5 Transcribe」をGemini APIで公開しました。非同期の関数呼び出しやカスタム語彙設定など実務向けの機能が揃っています。OpenAIの「GPT-Live」ともあわせてご覧ください。