Gemini 3.8 Live Avatar、AI窓口に97言語の顔　価格は非公表

Googleは音声対音声モデルに、唇の動きが言葉と同期するリアルタイムの映像の顔を与え、最初にサポート窓口や販売店へ売り込んだ。生成される全フレームにはSynthIDの透かしが入る。一方、公開されたどの発表資料も、この顔に値段を付けていない。

カスタマーサービスはこの20年、顔のない箱越しに人と話してきた。電話の自動音声メニュー、チャットの吹き出し、そして背後に誰もいない合成音声である。9月25日、GoogleはGemini EnterpriseでLive Avatar搭載のGemini 3.8 Liveの一般提供を開始した。この製品は、その箱を顔で埋めようとする正面からの試みだ。アバターは話し、言葉に合わせて唇を動かし、表情を見せ、裏で情報を調べている間も会話を止めない。対応言語は97に及び、通話の途中で顧客が言語を切り替えれば、アバターもそれに合わせて切り替える。Googleが売り込む先はデモの舞台ではなく、保険金請求、ホテルのチェックイン、そしてクルマ選びの現場だ。音声AIで稼げる場所がどこにあると同社が見ているのか、その選択がよく物語っている。

顔の下で動いているのは、Googleが前の週に発表したネイティブの音声対音声モデル、Gemini 3.8 Liveである。同時に、推論を深めるExtended Thinking版も発表された。音声対音声とは、会話をいったんテキストに変換して再び音声に戻すことなく、モデルが音声を聞き取ってそのまま音声で応答する方式を指す。従来の音声ボットはリレー方式で組まれていた。あるシステムが発話を文字に起こし、別のシステムが返答を決め、さらに別のシステムがその答えを読み上げる。受け渡しのたびに遅延が生じ、声の調子は削ぎ落とされた。旧来のボットが相手の話にかぶせて話し、割り込みを聞き逃し、機械的な長い沈黙を残していたのはそのためだ。ネイティブのモデルはこのリレーをなくし、話し言葉のリズムを一つのシステムの中に保つ。

Live Avatarは、このループにストリーミング映像の層を加える。音声ができあがった後に顔を動かす映像オーバーレイ技術との違いは、音声と映像が順番に処理されるのではなく、同じライブ推論経路の中で同時に生成される点にある。この結合が、自然なやり取りに必要な水準まで遅延を抑えている。唇が音節から遅れず、ぴたりと重なるのもそのためだ。モデルは会話しながらカメラのライブ映像や画面共有も読み取り、顧客の画面上の要素をハイライト表示することもできる。顧客は問題を言葉で説明するだけでなく実際に見せることができ、エージェントの側も答えの場所を指し示せる。

この製品は突然現れたわけではない。GoogleはGoogle Cloud Next 2026でLive Avatarを初めてプレビューしており、Liveシリーズの歴史は2024年にさかのぼる。同年、Gemini Liveがスマートフォンの音声モードとして登場し、12月にはGemini 2.0とともにMultimodal Live APIが開発者に開放された。バージョンを重ねるごとに、同じ発想が少しずつ前へ進んできた。順番待ちを感じさせるやり取りを減らし、機械であることを露呈する間を減らすという発想である。アバターを紹介する一般向けの投稿は9月24日に公開された。署名したのはリサーチサイエンティストのShuo-yiin Chang（シュオイン・チャン）氏とソフトウェアエンジニアのCJ Zheng（CJ・ジェン）氏で、Gemini Audioチームを代表しての発表だった。企業向けの一般提供はその翌日、Google Cloudのブログで続いた。Googleがどの顧客に財布を開いてもらうつもりなのか、この順番が示している。

カスタマーサービスへの導入で重要なのは、顔そのものよりも、その背後で起きていることだ。Gemini 3.8 Liveはツール呼び出しやAPI呼び出しを非同期で実行する。依頼を受けたことを伝え、会話を続けながら、裏で注文情報を取得し、規定を確認し、在庫を照会する。Googleによれば、会話を遮られても文脈や進行中のバックエンド処理を失わずに立て直せるという。苛立った顧客を電話メニューの最初に送り返してしまうのは、まさにこの種の失敗であることが多い。この差は過小評価されやすい。データベースの応答を待って6秒黙り込むボットは壊れているように感じられる。確認中だと告げて話を続けるボットは、窓口の係員のように感じられる。

Googleが看板事例に据えるのは保険金請求だ。顧客がスマートフォンのカメラを損傷箇所に向けて状況を説明すると、エージェントは会話をしながら請求記録を埋めていく。その間、GoogleのAgent Development Kitで構築されたバックグラウンドのエージェント群が保険契約の内容を確認し、損害査定担当者が必要とする書類一式をまとめる。このエージェント群のコードはオープンソースのサンプルとして発表資料からリンクされている。Googleが開発者に真似てほしいのは、顔と同じくらい、この設計そのものなのだろう。同社が挙げるもう一つの事例はもっと日常的なもので、ホテルのチェックインである。どちらも同じ設計を描いている。アバターはワークフローの入り口であり、台本を読み上げるだけの「しゃべる顔」ではない。

もう一つの柱は言語処理である。言語の検出は自動で行われる。Googleによると、アバターは同じセッションの中で97の言語を行き来しても、映像の忠実度が落ちたり見た目のずれが生じたりすることはない。唇の動きも前の言語の口の形を引きずらず、新しい言語に合わせて変化する。切り替えの際には担当の引き継ぎもシステムの再読み込みも発生せず、目立った間も生じない。インド、ナイジェリア、フィリピンのサポート窓口のように、顧客が1回の通話で2つ、3つの言語を行き来するのが日常の市場では、これが実用に耐えるシステムと、用件を話す前にメニューから言語を選ばせるシステムとを分ける差になる。

規模感を最もはっきり示すのが、インドで個人向けAIアシスタントを開発するEqual AIだ。ただし、同社の数字はアバターではなく音声モデルについてのものである。同社はすでに9つのインドの言語で1日100万件を超えるライブ通話を処理しているといい、最高経営責任者のAkhilesh Damaraju（アキレーシュ・ダマラジュ）氏は、割り込みへの対応の改善、多言語会話の信頼性向上、ツール呼び出しの安定をGemini 3.8 Liveの成果として挙げる。同じ対応時間とシフトの網羅性を人間のオペレーターで実現しようとすれば、この通話量は経済的に成り立たない。こうした導入の前提にあるのは概念実証ではない。処理能力であり、この規模では会話の1ターンから削った1秒が積み重なっていく。

発表に名を連ねた他の企業は、市場のそれぞれ異なる端を指している。Cox AutomotiveはAutotrader向けに対話型のアバターを構築した。購入希望者が欲しいクルマを自分の言葉で説明すると、条件に合う車両を画面上でハイライトし、検索、比較、ローンのためのツールを呼び出す。Cox Automotiveの最高製品責任者、Marianne Johnson（マリアン・ジョンソン）氏は、これを絞り込み条件やメニューに代わるものと位置づける。Salesforceは、同社のAI ResearchチームがGoogleと協力し、Gemini 3.8 Liveをサービス向けエージェント基盤のAgentforceと組み合わせる取り組みを進めているとする。Agentforceの製品担当バイスプレジデント、Bob Van Osten（ボブ・ヴァン・オステン）氏は、この協業を、サービス案件を最初の接点から解決まで運ぶ新しい方法の模索だと説明する。独自のAIアシスタントを開発するSpecsは、ソフトウェアエンジニアのEric Walsh（エリック・ウォルシュ）氏を通じて、テストで確認した音声区間検出の改善と遅延の低下を挙げている。

生成される音声と映像には、1秒残らずSynthIDの透かしが入る。この仕組みはGoogle DeepMindが2023年に画像向けとして導入し、のちにテキスト、音声、映像へと広げたもので、人には見えも聞こえもしないがソフトウェアでは検出できる信号を埋め込む。圧縮や再エンコードといった一般的な加工にも耐えるよう設計されており、サポート通話から書き出されて別の場所に投稿された動画でも、出どころを確かめられる。今回の発表の中で最も具体的な安全面の約束であり、プリセットかカスタムかを問わず、すべてのアバターに適用される。二つ目の安全策は手続き面のものだ。カスタムアバターは企業向けの許可リストと別個の本人確認プロセスの向こう側に置かれている。写真1枚と音声サンプルがあれば実在の人物を複製できてしまうという当然の懸念に対する、Googleの答えである。

この透かしは、欧州側のビジネスにとっても好都合な時期に登場した。Live Avatarは米国と欧州連合（EU）にエンドポイントを置いて提供される。EUのAI法には2026年8月から適用される透明性に関する規定があり、AIシステムとやり取りしていることを利用者に知らせること、そして合成された音声や映像に機械可読な形で表示を付けることを求めている。SynthIDが満たすのは後者の義務だ。前者の義務はアバターを導入する側に属する。誰にも見えない透かしは、画面の中の感じのいい顔が生成されたものだと通話相手に伝える役には立たないからだ。表示の仕組みはGoogleが提供できる。しかし開示は、その顔を顧客の前に立たせる銀行や保険会社、ホテルチェーンが自ら行わなければならない。

発表が明かしていないのは価格である。どちらの発表もアバター層の金額を示していない。Cloudの投稿はGoogleの生成AI全般の料金ページとプロビジョニング済みスループットを案内するだけで、確保済みの処理能力もカスタムアバターも営業担当者を通す必要がある。企業は厳選されたプリセットの顔のライブラリから選ぶことも、参照用の写真1枚、音声サンプル、一連のシステム指示から独自の顔を作ることもできるが、カスタムの道はセルフサービスではなく関門付きだ。LiveモデルのExtended Thinkingは限定プレビューの段階にとどまっており、当面はGoogleの他のGeminiモデルに比べて推論の深さに上限がある。遅延の数値や同時セッション数の上限は公表されていない。こうした制約の多い出し方は、価格や容量を掲示するのではなく交渉で決めるという、Googleの企業向けリリースのいつもの段取りと一致している。

アバター自体も、すでに存在する分野に参入することになる。Synthesia、HeyGen、D-IDといった企業は、生成されたプレゼンターで事業を築いてきた。その多くは研修やマーケティング、各地域向けの動画用で、ライブではなく事前にレンダリングされるものだ。Googleの売り込みが異なるのは一点である。顔が、聞き取り、推論し、ツールを呼び出すモデルそのものに結び付いており、それも企業がすでにエージェントを構築しているコンソールの中にある。周囲には音声モデルのより大きな一群が並ぶ。Gemini 3.5 Transcribe、Gemini 3.5 Live Translate、そして2種類の音声合成モデルであるGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSだ。すでにGeminiのエージェントを運用している企業にとって、顔を加えることは別の業者との契約ではなく設定の選択肢の一つになる。この抱き合わせこそ、専門企業が答えを迫られる競争上の脅威だ。

発表資料が触れていない疑問も残る。顔は、声にはない期待を生む。通話相手は表情を読み取るので、請求を断りながら微笑むアバターは、同じ答えを淡々と伝える声よりも悪い印象を与えかねない。通信帯域の問題もある。ストリーミング映像のエージェントは電話回線よりも顧客の通信環境に多くを求め、多言語サポートの価値が最も高い市場の多くは、モバイルデータ通信が最も高価な市場でもある。どれも発表の投稿から測れるものではない。答えが出るかどうかは、最初の大規模導入における満足度と完了率の数字に表れるだろう。

Live Avatar搭載のGemini 3.8 Liveは、Gemini EnterpriseのコンソールとGemini Live APIを通じて現在利用できる。ストリーミングエージェントを作る開発者向けの道筋はAgent Development Kitだ。Extended Thinkingについては、現在の限定プレビュー参加者以外へのスケジュールは公表されていない。導入する企業は、技術そのものが答えない問いに答えることになる。自動化されたやり取りだと示していた視覚的な手がかりを取り除くことが、向こう側にいる人々の体験を良くするのか。それとも、それが起きていることを示す最後の正直な目印を消してしまうのか。

タグ: Google, Gemini, customer service, enterprise AI, lip sync, speech recognition