Google DeepMindは現地時間2026年9月、音声対話に特化した新モデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を開発者向けに公開した。両モデルはGemini APIおよびGoogle AI Studioを通じて利用可能で、音声エージェントがバックグラウンドでAPI呼び出しを行いながら視覚情報を処理し、同時に会話を継続できるのが最大の特徴だ。対応言語は97言語以上に及び、拡張思考版は音声対話モデルの性能比較リーダーボード「Artificial Analysis Speech-to-Speech」でスコア82.6%を記録し、OpenAIの最新モデル「GPT-Live-1」を上回る首位を獲得している。
価格面でもGoogleは明確な優位性を打ち出した。音声入力が1分あたり0.005ドル、出力が0.018ドルという設定で、OpenAIのGPT-Live-1（1分あたり0.05ドル）と比較して大幅に低コスト。1時間の音声会話を想定した場合、Googleでは約1.38ドルで済むのに対し、OpenAIでは最低でも3.00ドルかかる計算になる。
音声性能でGPT-Live-1を上回る──その内訳と評価の意味
今回の発表で特に注目すべきは、Gemini 3.8 Live Extended ThinkingがArtificial Analysisのリーダーボードで82.6%のスコアを記録し、GPT-Live-1を凌駕した点だ。このスコアは、単なる音声認識の精度ではなく、エージェントとしての実用的な性能──指示の理解、マルチターン対話の維持、複雑なタスクの遂行能力──を総合的に評価したものとされている。
一方で、OpenAIのGPT-Live-1が持つ「フルデュプレックス（全二重）」通信方式は、リスニングとスピーキングを同時に行える点で、より自然な会話体験を提供するとされる。デモ動画の比較でも、OpenAIモデルの方が音声の自然さや抑揚の表現において優れているとの評価がある。Googleは今回も「品質よりも価格」を優先した戦略を取ったとの見方が出ている。
音声モデル市場における価格競争の構図
音声AIモデルの価格競争は、2025年後半から急速に激化している。OpenAIがGPT-Live-1を発表した際も、従来モデルと比較して大幅なコスト削減を実現しており、業界全体として「高性能かつ低価格」への移行が進んでいる。今回のGoogleの価格設定は、さらにその流れを加速させるものだ。
特に開発者にとって重要なのは、APIコールと音声対話の並行処理だ。従来の音声エージェントでは、ユーザーの発話をテキストに変換し、処理結果をまた音声に戻すという逐次処理が一般的だった。Gemini 3.8 Liveでは、このプロセスを並列化することで、応答遅延を大幅に削減できる。具体的には、ユーザーが話している最中にバックグラウンドでデータベース検索や外部API呼び出しを実行し、発話終了とほぼ同時に回答を返すことが可能になる。
97言語対応と視覚入力──開発者にとっての実務的価値
Gemini 3.8 Liveのもう一つの重要な特徴は、視覚入力のサポートだ。カメラ映像や画像をリアルタイムで解析しながら、それについて音声で対話できる。これにより、例えばユーザーがスマートフォンのカメラで製品のQRコードを映しながら「これは何？」と質問すれば、モデルが視覚情報と音声を統合して回答する──といったユースケースが実現する。
対応言語が97言語以上という点も、グローバル展開を視野に入れる開発者にとっては大きな利点だ。日本語も当然含まれており、日本語話者の音声入力をそのまま処理できる。これにより、日本市場向けの音声アシスタントやカスタマーサポートシステムの開発コストが下がる可能性がある。
GoogleはサンプルアプリをGitHub上で公開しており、開発者はすぐに実装方法を確認できる。音声エージェントのプロトタイプ開発を検討している企業にとっては、技術検証のハードルが下がったと言える。
品質と価格のトレードオフ──「自然な会話」の評価をめぐって
今回の発表で議論を呼んでいるのは、性能スコアと実際の会話品質の間にあるギャップだ。
Artificial Analysisのリーダーボードは、エージェントとしてのタスク遂行能力を数値化したものだが、人間が感じる「自然さ」や「聞き取りやすさ」は別の指標で評価される。デモ動画での比較では、GPT-Live-1の方が音声の抑揚や間の取り方において人間らしいとの声が上がっている。一方、Gemini 3.8 Liveは応答速度とコスト効率で優位に立つ。
つまり、ユースケースによって最適なモデルは異なるということだ。コストを重視するプロトタイプ開発や大量の音声処理が必要な業務用途ではGemini 3.8 Liveが有利であり、エンドユーザーとの対話品質を最重視するサービスではGPT-Live-1に分がある。
日本市場における音声AI活用の展望
この価格設定は、日本市場の音声AIサービスにも影響を与えると見られる。日本語対応の音声エージェントは、コールセンターの自動応答や医療現場の記録補助、教育分野での会話練習など、さまざまな領域で導入が進んでいる。1分あたりのコストが従来の10分の1以下になれば、これまで採算性の問題で導入を見送っていた中小企業にも音声AIの選択肢が広がる。
特に注目されるのは、視覚情報と音声を組み合わせた業務支援だ。例えば、倉庫作業員が手持ち端末のカメラで商品を映しながら操作方法を音声で質問する──といったシナリオが実用的なコストで実現できる。これは単なるチャットボットの音声化ではなく、物理世界とAIのインタラクションを変える可能性を秘めている。
もっとも、Googleが今回も「価格優先」の戦略を取ったことには留意が必要だ。デモレベルではGPT-Live-1の自然さに軍配が上がるとの評価もあり、実際のサービス品質がユーザー満足度に直結する分野では、まだOpenAIにアドバンテージがあると言える。とはいえ、Gemini 3.8 Live Extended Thinkingのリーダーボード首位獲得は、Googleの音声AI技術が着実に進化していることの証であり、今後のバージョンアップで品質面の差も縮まっていく可能性が高い。
音声AIモデルの競争は、まさに「性能」「価格」「自然さ」の三軸で繰り広げられている。今回のGoogleの発表は、そのうち「価格」と「性能指標」の2点で優位を確立したことを示すものだ。開発者にとっては、選択肢が増え、用途に応じて最適なモデルを選べる環境が整いつつある。次なる注目は、OpenAIがこの価格攻勢に対してどう応じるか──そして両者の競争が音声AIの実用化をどのように加速させるかだ。
