Gemini 3.8 LiveとExtended Thinking発表

Googleが音声対応AI「Gemini 3.8 Live」と、より複雑な推理向けの「Extended Thinking」版を発表した。これらは音声エージェント向けに設計され、リアルタイムの推理能力を備えている。Artificial Analysisのベンチマーク「Speech to Speech Quality Index」では82.6で首位を獲得、複雑タスク完了率でも高い成績を記録している。97言語をリアルタイムで切り替え、視覚入力も処理できるという。Agora、LangChain、Vercel、Salesforceなどの大手プラットフォームとの提携も発表され、デベロッパー向けのAPIも本日より提供開始となった。

ここで気になるのは、ベンチマーク至上主義だ。Googleは数々の数値を並べるが、実際に業務システムに組み込んだ時に、従来の音声AIと何が違うのかは不透明である。数値が高いことと、実務で使えることは別問題だ。さらに注目すべきは、テキストベースのAI競争からいよいよ音声時代へシフトしているという業界の流れだ。テキストなら中小企業も自社データで試験的に検証できるが、音声となると、言語ごとの精度差、方言への対応、背景音への耐性など、実装のハードルが急に上がる。Googleが大規模に投資する理由は、音声が最後の非効率化フロンティアだからだ。

中小企業にとって、いま準備すべきは何か。カスタマーサポートなど既存の音声対応業務から始まるだろう。だが、AIが電話対応をするなら、その応答ロジックは自社の業務フローに合わせて設計する必要がある。Geminiの性能が上がることより、それを自社にどう埋め込むかの投資判断が先だ。