Gemini 3.8 Liveと3.8 Live Extended Thinking公開──話しながら裏で考えて道具を動かす音声モデル、Artificial Analysisの音声対話指数で首位、音声は1分あたり入力$0.005・出力$0.018

2026年9月17日・日本時間時点の情報です。 Googleが9月15日（米国時間）、音声で対話するモデルを2つ公開した。Gemini 3.8 Live（速さと費用向け）とGemini 3.8 Live Extended Thinking（裏で長く考える向け）で、どちらも音声を音声で返すspeech-to-speech型。公開から2日たっているが、当サイトはまだ扱っていなかったので、Google公式ブログ2本・APIのモデルページ2本・料金ページと、独立の比較サイトArtificial Analysisの表を突き合わせて整理する。9月2日のテキスト側の新モデルはGemini 3.8 Flash、8月の音声認識専用モデルはGemini 3.5 Transcribe、比較相手になるOpenAI側の音声モデルはGPT-Liveに。

3行まとめ

1. 2モデル。 3.8 Liveは「規模と費用効率」向けで、視覚入力をほぼリアルタイムで会話に取り込み、97言語を会話の途中で自動で切り替え、ツールやAPIの呼び出しを会話を続けたまま裏で実行する。3.8 Live Extended Thinkingは複雑な多段階の課題向けで、考えながら同時に話す（「ちょっと確認しますね」と先に言って、進み具合を話しながら裏で作業する）。
2. 数字。 Googleの発表では、Extended ThinkingがArtificial AnalysisのSpeech to Speech Quality Indexで82.6の首位、エージェント課題のτ-Voiceで68.6%、Sierraのτ-Voice-bankingで35.1%、Big Bench Audioで97.7%。当サイトが9月17日にArtificial Analysisの表を見ると、指数は82.6で首位、2位はOpenAIのGPT-Live-1（Astra設定）81.5、3位はSpaceXAIのGrok Voice Think Fast 2.0の81.3、無印の3.8 Liveは76.0だった。
3. 料金と場所。 APIは音声入力**$0.005/分**・音声出力**$0.018/分**（100万トークンあたり$3／$12からの換算値、と脚注にある）。開発者はGemini APIとAI Studioで今日から。一般向けは3.8 LiveがSearch Live、Extended ThinkingがGemini Liveと、Google AI Pro／Ultra契約者のWorkspace（Docs）・全Google AI契約者のGmail／Keep。APIでは前世代からの変更が5つあり、thinking_levelが使えなくなり、感情対話の設定は削除、能動的な発話は常時オンになる。

何が出たのか

Google公式ブログの冒頭は、2つのモデルをこう分けている。

Gemini 3.8 Live: Built for scale and cost efficiency, combining conversational intelligence with fluid dialogue and visual grounding. Gemini 3.8 Live Extended Thinking: Built for high-complexity tasks, with increased intelligence and multi-step reasoning.

（Gemini 3.8 Live：規模と費用効率のために作られ、会話の知性と滑らかな対話、視覚的な根拠づけを組み合わせる。Gemini 3.8 Live Extended Thinking：複雑度の高い課題のために作られ、知性と多段階の推論を高めた）

3.8 Liveについてブログが挙げる特徴は3つ。視覚入力をほぼリアルタイムに処理して会話の文脈に足す、対応97言語を会話の途中で自動検出して切り替える、ツールやAPIの呼び出しを会話を続けたまま裏で実行する（依頼を受けたと応じて、雑談を続けながら裏で処理が終わるのを待てる）。デモ動画は、新入社員の研修で画面を見ながら質問に答える、カメラ越しにチェスを指す、の2本。

Extended Thinkingは「推論と発話を同時に行う」と説明されている。「Let me check that…（ちょっと確認しますね）」のような先出しの相づちで依頼を受け止め、多段階の裏作業の進み具合を実況しながら進める。デモは、手描きのスケッチと音声の指示からReactのコンポーネントを作る、複数の予約を非同期の関数呼び出しで段取りする、事業計画とマーケティング資料を話しながら作る、の3本。

公式の数字と、独立指標で見た順位

Googleが本文で出した数字は次のとおり（すべてGoogleの記述）。

当サイトは9月17日にArtificial Analysisのspeech-to-speechのページを取得し、Speech to Speech Indexが付いているモデルを並べ直した。

指数の首位はGoogleの言うとおりで、2位との差は1.1。列ごとに見ると、Extended Thinkingが頭ひとつ抜けているのは「エージェント」（68.6%。2位のGPT-Live-1 Astra設定が67.9%）で、「会話の自然さ」ではGPT-Live-1（Sol）の97.3%やGrokの95.1%より低い91.9%、Arena Eloは990で、表の7モデルの中ではGPT-Realtime-2.1（928）に次いで低い。無印の3.8 Liveは、会話の自然さ96.1%・タスク成功率93.2%・Elo 1083と会話寄りの列が高く、エージェント列が30.1%と低い。同じ「3.8 Live」でも2モデルの性格は表の上で逆になっている。

なお、Arena Eloの列では前世代のGemini 3.1 Flash Live（Minimal設定）が1096で、3.8 Liveの1083より上にある。Googleが書いた「Speech Agent Arenaで2位」がどの集計を指すかは、ブログに出典の記載が無く、本記事では確かめられていない。

料金──音声は1分$0.005／$0.018、その根拠はトークン単価

開発者向けブログは「音声入力$0.005/分、音声出力$0.018/分」と書き、その脚注に「Estimate based on $3/1M tokens for input and $12/1M tokens for output（入力100万トークン$3・出力100万トークン$12にもとづく見積もり）」とある。料金ページの行は次のとおりで、3.8 Liveと3.8 Live Extended Thinkingと3.1 Flash Live Previewが同じ行にまとめられている。

無料枠は「Free of charge」。Google検索によるグラウンディングは月5,000リクエストまで無料（Gemini 3.x系で共有）。分あたりの値は換算値なので、実際の請求はトークン数で決まる。

APIの仕様と、3.1 Flash Liveからの5つの変更

モデルページ（9月15日更新）の記載を写す。

gemini-3.1-flash-live-previewから移行する人向けに、モデルページは変更点を列挙している。

1. thinking_levelは使えない。 セッション設定からthinking_level（thinking_config）を外す
2. 関数呼び出しは非同期（behavior: NON_BLOCKING）が既定になった。従来の同期はBLOCKINGを明示すれば使える（Extended Thinkingでは同期は不可）。SILENT／WHEN_IDLE／INTERRUPTEDのスケジューリングに対応
3. 能動的な発話（proactive audio）は常時オン。proactive_audio: falseはエラーになる
4. 感情対話（affective dialogue）はAPIから削除。enable_affective_dialogの設定を消す
5. 動画フレームは既定で全部送られる（TURN_INCLUDES_AUDIO_ACTIVITY_AND_ALL_VIDEO）。文脈と費用を抑えるには必要な時だけ送る

Extended Thinkingにはもう1つ、クライアント側の作りに響く変更がある。turnComplete: trueが「モデルが手すきになった」を意味しなくなり、その後も裏の推論やツール呼び出しの結果（音声フレームやツール呼び出し）が届きうる。サーバーからのinteraction_status（IN_PROGRESS／IDLE）で状態を見る、とモデルページは書いている。

どこで使えるか

公式ブログの末尾にある提供先を、そのまま整理する。

Live APIの統合先として、Agora・Fishjam・LangChain・LiveKit・Pipecat・Vercel・Vision Agentsが挙がっている。導入企業としてSalesforce・Genspark・Lumerisの名前が出ているが、いずれもGoogleのブログに載った表明で、当サイトが確認したものではない。生成した音声にはすべてSynthIDの透かしが入る、ともある。

同じ日の開発者向けブログは、8月に出た音声認識専用のGemini 3.5 Transcribe（85言語以上・単語誤り率はストリーミング4.0%・非ストリーミング2.6%）と、音声翻訳の3.5 Live Translate（70言語以上）、音声合成の3.1 Flash TTS、音楽生成のLyria 3.5を「音声スイート」としてまとめて紹介している。

突き合わせて気づいた3点

公式資料3本と独立指標を並べる中で、筆者が引っかかった箇所を書いておく。

• Big Bench Audioの値がずれる。 Googleのブログは97.7%、Artificial Analysisの表は98%と表示される。同サイトのFAQには97.7%とあるので、表の値は丸めで、食い違いではない
• 「感情対話の削除」はブログに無い。 モデルページの移行ガイドにだけ書かれている。前世代でenable_affective_dialogを使っていた人は、ブログだけ読むと気づかない
• 分あたりの価格は換算値。 「$0.005/分」は分かりやすいが、脚注のとおり100万トークン$3からの見積もりで、請求はトークン数で来る。無音の多い会話と、話し続ける会話で、同じ1分でも請求は変わりうる（この点は筆者の推測で、Googleは換算の前提を書いていない）

声で試していない、日本語の数字が無い

• 筆者は本記事の時点で、2モデルを音声で試していない。会話の自然さや遅延の記述はすべてGoogleとArtificial Analysisの数字による
• Artificial Analysisの表は9月17日取得の値で、同サイトは頻繁に更新される。順位は取得日のもの
• 日本語での対話品質を示す数字は、公式ブログにもArtificial Analysisの表にも無い。言語については、Live APIのドキュメント（capabilitiesページ・2026年9月16日更新）が「99言語に対応」として一覧に**日本語（ja）**を載せている。ブログの「97言語」と一覧の99は数が合わないが、どちらが3.8 Live固有の数かはドキュメントに書かれていない。同じページは、音声のみのセッションは15分・音声＋動画は2分が上限（セッション管理で延長可）、ネイティブ音声出力モデルの文脈は12万8千トークン、とも書いている
• Google AI Pro／Ultraでの提供が日本のアカウントでも同日から使えるかは、公式ブログに地域の記載が無く、確認していない

数字の出どころ──Google公式2本・モデルページ2本・Artificial Analysis

• モデルの説明・数字・提供先はGoogle公式ブログ「Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking」（2026年9月15日）と、開発者向けブログ「Build real-time voice applications with Gemini 3.8 Live and 3.5 Transcribe」（同日・価格の脚注つき）による
• 上限・対応機能・移行の変更点はGemini APIのモデルページ2本（最終更新2026年9月15日 UTC）、料金は料金ページ（2026年9月17日取得）
• 独立指標はArtificial Analysisのspeech-to-speechページ（2026年9月17日取得）。表の値は同サイトの表示をそのまま写した
• 本記事は続報があれば更新する。日本語対応の一覧、Gemini Enterpriseの一般提供、外部ベンチの追加は追記予定

関連記事

• ADKにライブ・音声エージェントの評価──模擬ユーザーがTTSで話し、ルーブリック採点