XNews

Google / DeepMind Gemini: ライブAPI、ディープリサーチエージェントおよび翻訳のアップグレード

Google / DeepMind Gemini: ライブAPI、ディープリサーチエージェントおよび翻訳のアップグレード

Google / DeepMindは、ネイティブオーディオ、リアルタイム翻訳、リサーチエージェントに焦点を当てた複数のGeminiアップデートを発表しました。

Key insights

GeminiがTranslateにおけるリアルタイム音声翻訳を実現

Googleは、Google Translateに統合されたリアルタイム音声翻訳を発表し、連続リスニングおよび双方向会話モードをサポートし、Androidで70以上の言語にベータ版で対応しています。初期の地域はアメリカ、メキシコ、インドで、2026年にはiOSおよびその他の国でも利用可能になる予定です。この機能により、任意のヘッドフォンを通じてライブ翻訳された音声が提供され、両者の自動言語検出が可能になります。

Gemini Live APIがネイティブオーディオ処理と低遅延のマルチモーダルストリームを導入

Googleは、Gemini 2.5 Flash Native Audioを活用したGemini Live APIを発表し、STT/LLM/TTSの接続なしでネイティブなエンドツーエンドの音声処理(音声のリスニングと生成)を可能にしました。このAPIは、メディアストリームのために単一のWebSocket接続を使用し、遅延を減少させ、ビデオおよび視覚コンテキストをサポートし、迅速な開発者の採用のためのテンプレート(バニラJS、React)とデモを提供します。

自律的で検証可能な開発者リサーチを目指したGemini Deep Research Agent

DeepMindは、Gemini 3 Proを基にしたGemini Deep Research Agentをリリースし、多段階のリサーチワークフローに対応しています。このエージェントは、自律的に検索を計画し、プライベートドキュメントをウェブ結果と統合し、引用付きのレポートを生成します。内部ベンチマークでは、DeepSearchQA(66.1%)、Humanity's Last Exam(46.4%)、BrowseComp(59.2%)というSOTA結果を報告しました。このエージェントは、インタラクションAPIおよびGoogle AI Studioを通じてアクセス可能です。

開発者ツールには統一されたインタラクションAPIとデモが含まれる

Googleは、モデルとエージェントを一つのエンドポイントで統合するインタラクションAPIを提供し、クイックスタートテンプレートと3つの代表的なデモ(リアルタイムビジネスアドバイザー、マルチモーダルカスタマーサポート、ゲーム音声アシスタント)を用意しました。このAPIは、制御性、JSON出力、商業用の安定性を強調しています。

Geminiの人間らしい音声機能が会話のリアリズムを向上させることを目指す

Googleは、音声エージェントをより人間らしく感じさせるための5つの機能を強調しました:感情トーンの検出と適応、インテリジェントな中断とターンテイキング、音声中のツール呼び出し、インタラクションを通じた持続的な記憶、商業用の信頼性です。

Source posts