Googleは2026年9月15日、音声対話AIモデル
会話を続けながら外部ツールを実行、97言語を自動検出
両モデルは音声を直接扱い、音声で応答する。APIや外部ツールを非同期に呼び出し、処理の完了を待つ間も音声応答を続けられる。
視覚情報もほぼリアルタイムに理解し、ユーザーが見ているものを踏まえて応答する。Googleは活用例として、視覚情報を使って質問に答える新入社員向けの案内や、盤面を見ながら対話するチェスのデモを紹介した。
Introducing Gemini 3.
— koray kavukcuoglu (@koraykv) September 15, 20268 Live and Gemini 3. 8 Live Extended Thinking.
Voice agents with reasoning capabilities that make conversing with AI feel more intuitive and intelligent. The model can take turns seamlessly, think through complexity, and feel more natural to talk to. pic.twitter. com/ n2Gz8i2Bz2
言語面では、97言語を自動検出し、会話の途中で言語が切り替わっても対応する。Googleは開発者向けの案内で、英数字を含む確認コードや技術データも正確に認識できるとしている。
また、開発者は音声での会話を続けたまま、応答に使う情報をテキストや構造化データでモデルに追加できる。
Watch how we used 3.
— Google DeepMind (@GoogleDeepMind) September 15, 20268 Live Extended Thinking to act as a programming tutor.
Both models feature:
🔵 Upgraded reasoning
🔵 Near real-time visual understanding
🔵 Automatic detection for 97 languages
🔵 Background tool calling without disrupting your chat
For your most difficult… pic.twitter. com/ WHrNvqtHhl
Extended Thinkingは推論中も進捗を音声で説明
Gemini 3.
Googleは、Extended Thinkingが手描きのスケッチと音声によるフィードバックをもとに、Web画面を構成するReactコンポーネントを作成するデモを公開した。複数の手順や外部ツールを組み合わせて予約を進める例も紹介している。
Googleの発表によると、Extended Thinkingは、音声対話モデルを評価するArtificial Analysisの
また、音声で対話しながらツールを使い、顧客対応の課題を完了できるかを測るベンチマーク
APIでは、Extended Thinkingの推論の深さをlow、medium、highの3段階で設定できる。Gemini 3.
Search Live、Gemini Live、Workspaceへ順次展開
一般ユーザー向けには、Gemini 3.
Extended Thinkingは、Google AIの契約者向けに、WorkspaceのDocs Live、Gmail Live、Keep Liveにも順次展開する。サービスごとの対象プランは、Googleの公式発表で確認できる。
企業向けには、両モデルをGemini Enterpriseでプライベートプレビューとして提供する。Gemini Enterprise for Customer Experienceへの展開と、Workspaceの法人顧客向けのExtended Thinking提供も近日予定している。
APIの音声料金は入力1分約0.005ドル、出力約0.018ドル
開発者はGoogle AI Studioで両モデルを試せるほか、Gemini Live APIを使って音声アプリケーションへ組み込める。モデルIDはgemini-3.とgemini-3.。
Gemini APIの料金表によると、両モデルの有料枠における音声料金は、入力が100万トークン当たり3ドル、出力が12ドル。Googleは音声1分当たりの換算目安として、入力約0.