XNews

Google、Gemini 3.8 LiveおよびExtended Thinkingを発表

Google、Gemini 3.8 LiveおよびExtended Thinkingを発表

Googleは、最新のライブ音声モデルであるGemini 3.8 Liveと3.8 Live Extended Thinkingをリリースした。3.8 Liveは97言語をシームレスに切り替えながら対応し、ほぼリアルタイムの視覚理解とバックグラウンドでのツール呼び出しを実現。Extended Thinkingは、マルチステップ推論を進捗状況のナレーションと共に追加し、エンタープライズ向けのタスクを対象としている。

Key insights

Gemini 3.8 Liveは高同時接続・低遅延の導入に焦点

ベースとなるGemini 3.8 Liveモデルは、コスト効率の良い大規模導入向けに設計されている。高同時接続・低遅延の日常的なアシスタントサービスや検索サービスをサポートし、会話中に97言語を自動検出してシームレスに切り替える。また、競争力のある運用コストで視覚と音声を組み合わせた流暢なマルチモーダルリアルタイム対話を可能にする。

Extended Thinking版はナレーション付きリアルタイム推論を追加

Gemini 3.8 Live Extended Thinkingは、エンタープライズ向けの複雑なタスクを対象としている。マルチステップの論理的推論と計画を強化し、「リアルタイム思考と発話の同期」を実現。複雑な問題に直面すると、自然に「確認します...」と言いながら、バックグラウンドでマルチステップタスクを実行しつつ進捗をナレーションする。これにより、電話で人間と話しているような会話体験を創出する。

バックグラウンド非同期ツール呼び出しによる同時コラボレーション

両モデルともバックグラウンドでの非同期ツール呼び出しに対応している。外部APIの呼び出し、データの取得、予約の処理などを行っている間も、フロントエンドの音声チャットは途切れず継続する。これにより真の同時コラボレーションが可能となり、会話の流れを妨げることなくアクションを実行できる。

複数のシナリオで実証されたほぼリアルタイムの視覚理解

これらのモデルは、シーンを認識しながら同時にチャットすることができる。例えば、新入社員のオンボーディング環境に関する質問に答えたり、盤面を見ながらチェスをプレイしたり、スケッチを見て音声でReactコードを生成することも可能。この機能はLive版とExtended Thinking版の両方で利用できる。

Source posts