XNews

Google Gemini Live APIおよびネイティブオーディオモデルの更新

Google Gemini Live APIおよびネイティブオーディオモデルの更新

Googleはネイティブオーディオを搭載したGemini Live APIを発表しました。

Key insights

Gemini Live APIはネイティブなリアルタイムオーディオのマルチモーダル処理を提供

Googleは、Gemini 2.5 Flashネイティブオーディオモデルに基づいたGAリリースとしてGemini Live APIを発表しました。このAPIは、音声を直接取り込み、音声応答を生成する単一モデルアプローチを可能にし、従来のSTT→LLM→TTSの組み立てを排除します。このサービスは、音声、ビデオ、テキスト、視覚入力を統一されたワークフローで受け入れ、単一のWebSocket接続を使用してリアルタイムインタラクションのためのミリ秒単位のレイテンシを提供します。これらの事実は、Live APIのローンチドキュメントおよびデモの説明に記載されています。

APIは人間のような会話行動と企業の安定性を強調

Gemini Live APIのドキュメントは、話者の感情、トーン、話速の検出、癒しや共感を表現するための音声調整、自然な対話リズムを維持するためのインタラプションおよびインタジェクションの知的処理、音声インタラクション中の外部ツールおよびGoogle検索の呼び出し、マルチモーダルセッション全体にわたる持続的な記憶という5つのコアな人間のような能力を強調しています。このリリースはGAとして提供され、高可用性およびマルチリージョンサポートを備えた企業向けの生産準備が整っていることを示しています。

開発者テンプレートとデモが統合パターンを示す

Googleは、WebSocketおよびメディアフローを示すゼロ依存のバニラJSテンプレートと、音声ワークフローコンポーネントを備えたモジュラーReactテンプレートの2つのクイックスタートテンプレートを公開しました。また、デモには、チャートをプッシュしたり音声で介入したりできるサイレントおよびスピーキングモードを備えたリアルタイムビジネスアドバイザー、カメラインプットと音声感情検出を使用してバックエンドツール(例:返金)を呼び出すマルチモーダルカスタマーサービスフロー、ゲームプレイを観察し、異なるゲーム内役割のためにAIペルソナを切り替えられるゲーム音声アシスタントが含まれています。

関数呼び出しとリアルタイム指示のフォローのためにネイティブオーディオモデルが更新

別途、Googleは、Gemini APIの開発者向けに展開された更新されたGeminiネイティブオーディオモデルを発表しました。このモデルは、より高精度な関数呼び出し、改善されたリアルタイム指示のフォロー、およびよりスムーズで一貫した会話能力を備えています。この更新は、Gemini API内で開発者に即座に利用可能であり、Live APIのネイティブオーディオ機能を補完します。この更新メッセージは、Live APIブログのタイムスタンプの1日前に投稿されました。

Source posts