- Gemini 3.8 Liveにリアルタイム映像を組み合わせた企業向け機能
- 非同期ツール実行により、対話を止めずに裏側で処理を並行実行
- 97言語に対応し、SynthIDで音声・映像に透かしを埋め込み
何が発表されたのか
Google DeepMindは2026年9月24日、企業向けにリアルタイムの映像を伴う対話AI「Gemini 3.8 Live with Live Avatar」を発表しました。前週に公開された「Gemini 3.8 Live」を土台に、低遅延のストリーミング映像を音声対話と組み合わせたものだと説明されています。提供は同日から「Gemini Enterprise」で始まっているとされています。
発表によれば、Live Avatarは視覚と音声の入力を同時に処理し、聞き、見て、話すことを一つの対話体験として統合します。正確なリップシンク(口の動きと音声の同期)、自然な表情、滑らかなターンテイキング(発話の交代)を特徴として挙げています。用途としてはカスタマーサービスやインタラクティブな操作案内などが想定されているとされています。
非同期ツール実行という特徴
技術面で挙げられているのが「非同期ツール実行」です。Live Avatarはツール呼び出しをバックグラウンドで実行し、その間も対話を継続できると説明されています。原文ではホテルのチェックイン業務を例に、データ取得を裏側で進めながら会話が途切れない様子が示されています。
マルチモーダル(複数の種類の入力を扱う)な対話を前提に設計されている点も強調されています。人が会話するときは聞く・見る・話す・表情を使うことを自然に行うため、それらをまとめて扱うことで体験を厚くする狙いとみられます。原文でも視覚と音声の入力を同時に処理すると説明されています。
多言語対応とアバターの種類
Live Avatarは多言語の音声-to-音声同期をネイティブに備えており、リップシンクと表情を動的に適応させながら97言語を切り替えられるとされています。原文では、映像の忠実度を落とすことなく、視覚的なずれを生じさせずに言語をまたげると説明されています。
アバターはプリセットのライブラリに加え、企業が独自にカスタマイズできます。高品質な参照画像から、参照元の人物の外観やブランドのスタイル、キャラクターの同一性を保ったまま、アニメーションする応答可能なアバターを生成できるとされています。ただしカスタムアバターの作成は、現時点ではエンタープライズの許可リスト(allowlisting)経由に限られています。
安全性と現時点での留意点
生成された音声・映像にはSynthIDによる透かしが埋め込まれます。知覚しにくいウォーターマークを音声と映像の出力に直接織り込むことで、AI生成コンテンツを検出可能にし、誤情報や帰属の誤りを減らす狙いだと説明されています。詳細はモデルカードで確認するよう案内されています。
一方、原文では料金、日本語を含む個別言語の対応状況、遅延の具体的な数値などは示されていません。利用の中心はGemini Enterpriseで、開発者向けにはAPIドキュメントが案内されているという段階です。日本企業が導入を判断するには、追加の情報公開を待つ必要があると考えられます。
| 項目 | プリセットアバター | カスタムアバター |
|---|---|---|
| 内容 | 多様な外観のアバターをあらかじめ用意 | 高品質な参照画像から生成 |
| 提供条件 | Gemini Enterpriseで利用可能 | エンタープライズの許可リスト経由のみ |
| 特徴 | ブランドに合わせて選べる | 参照元の外観・ブランドスタイル・キャラクター同一性を保持 |
The feature dynamically adapts its lip-sync and expressions and can seamlessly transition across 97 languages without degrading video fidelity or introducing visual drift.
この機能はリップシンクと表情を動的に適応させ、映像の忠実度を落とすことなく、視覚的なずれを生じさせることなく、97言語をシームレスに切り替えることができる。
今後の見通し
今後は、この機能の提供範囲がGemini Enterpriseから一般の開発者向けAPIへ広がるかが焦点になるとみられます。原文ではAPIドキュメントへの案内があるものの、対象や利用条件は明示されていません。次に判断材料になるのは、対応言語の一覧(日本語の有無)、料金体系、遅延の実測値、カスタムアバターの許可リストが解除される時期といった点です。これらが公開されれば、日本の企業が自社サービスに組み込む際の現実的な検討が進むと考えられます。逆に情報が出ないままでは、実証実験の域を出にくいとみられます。
日本の開発者・IT企業にとっての意味
企業向けの対話AIが、テキストや音声だけでなく映像を伴う応答まで含むようになることは、顧客接点の設計に影響します。コールセンターや受付、製品案内といった用途では、応答内容だけでなく見た目の印象やブランドとの整合性が問われるためです。非同期ツール実行は、予約確認や在庫照会など社内システムと連携する処理を会話の裏で走らせられることを意味し、対話を止めずに業務を完結させる設計が現実味を帯びます。一方で、カスタムアバターが許可リスト制であること、料金や日本語対応が原文で明示されていないことから、すぐに本番導入できるかは別問題です。まずはAPI仕様とモデルカードを確認し、既存の音声ボットやチャットボットとの役割分担を整理する段階だとみられます。
気になる点
- 日本語での対話に使えますか。
- 原文では97言語に対応し、会話の途中で言語を切り替えられると説明されていますが、日本語がその中に含まれるかは明記されていません。個別の言語一覧は示されていないため、現時点で日本語対応を断定することはできません。APIドキュメントやモデルカードでの確認が必要です。
- 利用料金はいくらですか。
- 原文に価格の記載はなく、Gemini Enterprise経由で提供されることだけが示されています。個別の料金体系や従量課金の有無は現時点では公表されていません。導入を検討する場合は、Gemini Enterprise側の契約条件を確認する形になるとみられます。
- 自社ブランドのアバターは作れますか。
- 条件付きで可能とされています。原文によれば、高品質な参照画像から参照元の外観やブランドスタイルを保ったアバターを生成できます。ただしカスタムアバターの作成はエンタープライズの許可リスト経由でのみ提供されるとしており、利用には何らかの申請が必要と考えられます。
用語解説
- リップシンク
- 音声と口の動きを同期させること。映像内の人物が実際に話しているように見せるために用いられます。
- ターンテイキング
- 会話で発話の順番をやり取りすること。自然な間合いで話者を切り替える技術を指します。
- 非同期ツール呼び出し
- 対話を止めずに、裏側で外部ツールやデータ取得を並行して実行する仕組みです。
- SynthID
- Google DeepMindが開発した、AI生成コンテンツに知覚しにくい透かしを埋め込む技術です。
- 許可リスト(allowlisting)
- 特定の条件を満たす組織だけに機能を開放する提供方式です。
出典
Introducing Gemini 3.8 Live with Live Avatar
https://deepmind.google/blog/introducing-gemini-38-live-with-live-avatar
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する