Googleは音声ベンチマークを1.1ポイント差で獲った。価格では7分の1に切り下げた

Googleは9月15日、対話モデルを2種類リリースした。Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingである。同社が前面に出したのは、Artificial AnalysisのSpeech to Speech Quality Indexにおける首位という主張で、Extended Thinkingのスコアは82.6だ。

だが、その下に並んでいる数字のほうが興味深い。首位を明け渡したOpenAIのGPT-Live-1 Astraは81.5。Grok Voice Think Fast 2.0は81.3。本来これらを分けるはずの指標の上で、3つのラボが1.3ポイントの幅に収まっている。この程度のばらつきしかないベンチマークでの1位は、参入障壁ではなくプレスリリースだ。

実際の差はどこにあるのか

差がついているのは価格であり、その差は小さくない。

\バンキング系ベンチマークについてはxAI-Realtime。時間あたりの金額は公開レートからの第三者による試算であり、Google自身の比較ではない。*

Googleの開発者向け投稿は、Live APIの価格を入力100万トークンあたり$3、出力100万トークンあたり$12、音声では入力1分あたり$0.005、出力1分あたり$0.018としている。これを課金対象となる会話1時間に換算すると、安いほうのモデルは、自分が1.1ポイント下回っている相手にOpenAIが課している金額の、およそ7分の1に収まる。

これこそがGoogleが実際にしている主張であり、狙いはリーダーボードではなく、コールセンターやドライブスルー、サポート窓口を構築している人たちにまっすぐ向いている。月に1万時間を回すコンタクトセンターは、品質指標の小数第1位を気にしない。気にするのは、同じ業務量が$58,300ではなく$8,400で済むという点だ。

ベンチマーク自体は第三者のものだ——品質指標はArtificial Analysis、エージェント系のスコアはSierraのτ³-Bankingリーダーボード——という点は、ベンダー内製の評価より価値がある。とはいえ、そのうちどれをスライドに載せるかを選んだのはやはりGoogleである。

声に出しながら考える

Extended Thinkingの技術的な主張は、推論と発話を同時に行うというものだ。Googleはこのモデルについて、「自然にプロンプトを受け止めるための早いタイミングの相づち」を用い、「複数ステップのバックグラウンド処理をユーザーに案内する実況的な進捗ナレーション」を行うと説明している。

これは、音声エージェントが実用になって以来ずっとその性格を決めてきたトレードオフへの直接的な回答だ。話す前に考えるモデルは正確だが、壊れているように聞こえる。すぐ話すモデルは流暢だが中身が浅い。これまでの実装はどれも、その隙間を埋め草の音声で塗りつぶしてきた——裏側で遅いモデルが動いている間に流れる、あの合成音声の「少々お調べいたします」である。Googleの売り込みは、推論が発話の生成と並行して本当に走っているのだから、そのナレーションはもはや埋め草ではない、というものだ。

これはOpenAIのAstraに見える発想とまったく同じである。昨日本誌が取り上げたとおり、Astraは最有力のライバルのおよそ3分の1の出力トークンで知能ランキングの首位に到達している。両社とも、対話におけるフロンティアはもはや素の能力ではなく、ユーザーの耳に何かが届くまでにどれだけ仕事を省けるかだ、という結論に至っている。

Googleが前面に出さなかった数字

Extended ThinkingはSierraのτ-Voice-bankingベンチマークで35.1%のタスクを完了する。これは現時点で誰も出していない最高スコアだ。同時にこれは、現実的な銀行業務のリクエストのおよそ3件に2件を失敗しているモデルでもある。

τ-Voice-bankingは意図的に難しく作られている——ツール呼び出し、ポリシー上の制約、そして台本どおりに話さない顧客を相手にした複数ターンのカスタマーサービスだ。一般のτ-Voiceの数字は68.6%とほぼ倍にあたり、難しさの大半が「話すこと」ではなく、規制のかかったツール依存の部分から来ていることを示している。

このリリースの正直な読み方はこうだ。対話品質はほぼ解かれつつあり、エージェントとしての音声はまだ解かれていない。人間らしく聞こえるモデルは、いまや1時間1ドル未満で買える。顧客の口座を任せて放っておけるモデルは、まだ買えない。

どこで使えるのか

両モデルは本日からGemini APIとGoogle AI Studioで利用でき、Pipecat、LiveKit、LangChain、Agora、Fishjam、Vercel、Vision Agentsとの連携が用意されている。Gemini 3.8 Liveは全ユーザー向けにSearch Liveに入り、Extended ThinkingはProおよびUltraの契約者向けにGemini Liveへ、さらにGmailとKeepにも現れる。エンタープライズ向けはプライベートプレビューだ。Liveモデルは97以上の言語に対応する。

Googleは同時にGemini 3.5 Transcribeも投入した。85以上の言語に対応し、単語誤り率はストリーミングで4.0%、非ストリーミングで2.6%である。見出しにはならなかったが、それはおおむね妥当であり、そして既存の本番システムが最初に差し替えるのはおそらくこの部品だ。

参考資料: Google: Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking · Google: Build real-time voice applications with Gemini 3.8 Live and 3.5 Transcribe · Unite.ai: Google Launches Gemini 3.8 Live and Extended Thinking Voice Models · OfficeChai: Google Releases Gemini 3.8 Live-Extended Conversational Model · Thurrott: Google Announces Gemini 3.8 Live and 3.8 Live Extended Thinking