Google、映像付きでリアルタイム対話できる「Gemini 3.8 Live with Live Avatar」を発表

要点

• 米Googleは2026年9月24日、音声対話AIとリアルタイム映像生成を統合した「Gemini 3.8 Live with Live Avatar」を発表した。

• 視覚情報と音声情報を同時に処理し、正確なリップシンクや自然な表情を持つアバターが97言語でシームレスに応答する。

• 会話を中断することなく裏でデータ取得や処理を行う「非同期ツール実行」に対応した。

• 1枚の画像からブランドに合わせたアバターを生成可能で、生成された映像と音声には電子透かし「SynthID」が埋め込まれる。

• 同日より企業向けプラットフォーム「Gemini Enterprise」にて提供が開始されている。

• 米Googleは2026年9月24日、リアルタイム音声対話AIに映像生成を組み合わせた新機能「Gemini 3.8 Live with Live Avatar」を発表した。前週に発表された対話モデル「Gemini 3.8 Live」を基盤に構築されており、音声だけでなくリアルタイムに生成される映像キャラクター（アバター）を通じて対話が行えるようになった。同日より、企業向けプラットフォームである「Gemini Enterprise」において提供が始まっている。

音声対話と低遅延映像生成のネイティブ統合

Gemini 3.8 Live with Live Avatarは、Googleのライブ対話モデルに低遅延のストリーミング映像生成を直接結びつけた機能である。従来の音声のみによる対話とは異なり、聞き、見て、話すという一連のコミュニケーションを、視覚的なペルソナ（人格を持ったキャラクター）を伴って実現する。

同機能では、発話内容に合わせた精密なリップシンク（口の動きの同期）や自然な表情の変化、さらには人間同士のような滑らかなターンテイキング（発話の交代）が再現される。これにより、企業のカスタマーサービスにおける顧客応対や、インタラクティブなサービス案内などの場面において、より豊かで直感的な対話体験を提供できるとしている。

視覚と音声を同時に処理するマルチモーダル対話

対話という行為は本来、視覚や表情、音声を組み合わせたマルチモーダルなものであると同社は説明している。Live Avatarはこの特性をAIエージェントに取り入れており、ユーザー側の映像入力と音声入力を同時に処理することが可能だ。

システムが目と耳で捉えた情報をほぼリアルタイムで把握し、それに応じた音声と映像を表情豊かに生成して返すことで、従来のテキストや音声単体のやりとりに比べて、より包括的で自然な対話が成り立つという。

会話を途切れさせない「非同期ツール実行」

Live Avatarには、視覚的な表現力だけでなく、Geminiの高度な推論能力が組み込まれている。その中核となる機能の一つが「非同期ツール実行（Asynchronous tool execution）」である。

従来の対話システムでは、外部システムの呼び出しやデータ取得を行う際に対話が一時停止することがあったが、本機能では裏でツール呼び出しやデータ検索を実行しながら、前面での会話を途切れることなく継続できる。たとえばホテルのチェックイン手続きを行うような複雑な業務シナリオにおいても、宿泊客と自然に対話を続けながら、バックグラウンドで予約確認やチェックイン処理を同時に完了させることができると説明されている。

97言語に対応した多言語リップシンク技術

グローバルな展開を見据え、多言語間でのシームレスな同期機能も備えている。音声と言語のネイティブな同期技術により、97の言語にわたってアバターの口の動きや表情が動的に適応する。

会話の途中で話す言語が切り替わった場合でも、映像の画質が劣化したり、表情や口の動きが不自然にずれたり（ビジュアルドリフト）することなく、滑らかに言語を移行できる仕様となっている。

1枚の画像からブランド専用アバターを生成

企業ごとのブランドイメージに合わせた外見のカスタマイズにも対応している。あらかじめ用意された多様なプリセットアバターのライブラリから選択できるほか、組織独自のアバターを生成することも可能だ。

開発者は1枚の高品質な参照画像（リファレンス画像）を用意することで、その画像の特徴やブランドのスタイリング、キャラクターのアイデンティティを保ったまま、フルアニメーションで動くレスポンシブなアバターを生成できるという。なお、このカスタムアバターの作成機能については、現時点ではエンタープライズ向けの許可リスト制（事前承認制）での提供となっている。

電子透かし「SynthID」による透明性と安全性の担保

安全対策とAI生成コンテンツの透明性確保にも厳格な基準が設けられている。生成されるすべての音声および映像出力には、Googleが開発した電子透かし技術「SynthID」が直接織り込まれている。

SynthIDによる透かしは人間の知覚では認識できないが、専用の検出ツールによってAI生成物であることを確実に識別できる仕組みとなっている。これにより、AIによるなりすましや誤情報の拡散、誤認のリスクを低減させる狙いがある。同社は詳細な安全性への取り組みや責任ある展開方針について、モデルカード（gemini-3-8-audio）を公開して説明している。

提供開始と開発者向けドキュメント

Gemini 3.8 Live with Live Avatarは現在、Gemini Enterpriseにおいて利用可能となっている。開発者向けのLive APIドキュメントも公開されており、企業や開発者はこれらを参照して自社のサービスやエージェントへの組み込みを開始できる。