XNews

Google / DeepMind GeminiのリリースとリアルタイムAPI

Google / DeepMind GeminiのリリースとリアルタイムAPI

Googleは、Gemini Live API(Gemini 2.5 Flash Native Audio)およびInteractions API、さらにGemini Deep Research Agentを発表しました。

Key insights

Gemini Live APIがネイティブの低遅延音声マルチモーダルを提供

Googleは、Gemini 2.5 Flash Native Audioを基にしたGemini Live APIを導入し、STT/LLM/TTSを組み合わせることなく、単一接続のWebSocket音声入力および音声出力を可能にしました。このAPIは、ミリ秒単位の遅延、ネイティブ音声処理、感情的かつ中断可能な応答、リアルタイムツール呼び出し、マルチモーダルインタラクションにおける持続的なメモリ、エンタープライズグレードの可用性を強調しています。クイックスタートテンプレートにはVanilla JSとReactが含まれ、Googleは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、ゲーム内音声アシスタントのデモを提供しました。

翻訳機能におけるリアルタイム音声から音声への翻訳の展開

Googleは、Google TranslateにおいてGeminiを活用したリアルタイム音声から音声への翻訳を可能にし、来年初めに開発者向けのアクセスを予定していることを発表しました。この機能は、同じネイティブ音声機能を利用して遅延を減少させ、より自然な会話翻訳を提供します。

Gemini Deep Research Agentが自律的な深い研究ワークフローを目指す

DeepMindは、Gemini 3 Proを基にしたGemini Deep Research Agentを公開し、複雑な研究タスクを自律的に計画・実行することを目的としています:計画、検索、読書、ギャップの発見、反復です。このエージェントは、プライベート文書とウェブデータを統合し、検証可能な引用を返し、新しいInteractions APIおよびGoogleAIStudioを通じて公開されます。報告された内部ベンチマークスコアには、DeepSearchQA 66.1%、Humanity's Last Exam 46.4%、BrowseComp 59.2%が含まれています。

Interactions APIが開発者向けにモデルとエージェントのインターフェースを統一

Googleは、モデルとエージェントと対話するための単一インターフェースとしてInteractions APIをリリースし、開発者がマルチステップエージェントワークフローと構造化された出力(JSON、テーブル)を制御できるようにしました。このAPIは、プラグインのようなツール呼び出しをサポートし、Gemini Deep Researchなどのエージェントの統合を簡素化することを目的としています。

Source posts