ニュースレター
AIの最新情報を受け取る
新しいAIツールや活用ガイドをメールでお届けします
Gemini 3.8 Live with Live Avatarとは？機能・料金・日本語導入ガイド
リアルタイム音声、動画アバター、視覚理解、非同期ツール実行の仕組みと、日本語で導入する前に確認したい制約・安全対策を解説します。
執筆者
davie chen
2026/09/25
リアルタイム音声、動画アバター、視覚理解、非同期ツール実行の仕組みと、日本語で導入する前に確認したい制約・安全対策を解説します。
2026/09/25
Webサイトのチャット欄ではなく、画面の向こうにいる相手と自然に会話しながら、カメラ映像を見せて手続きを進める——Gemini 3.8 Live with Live Avatarは、その体験を企業向けに実装するためのリアルタイムAIです。
Google Cloudは2026年9月24日、Live AvatarをGemini Enterpriseで一般提供（GA）しました。本記事では、通常の音声AIとの違い、できること、導入時の制約、日本語で検証すべきポイントを整理します。
Gemini 3.8 Liveは、音声を文字へ変換してから回答文を読み上げる従来型の構成ではなく、ネイティブな音声対音声を基盤にしたリアルタイムモデルです。Live Avatarはそこへ、口の動きや表情を同期させた映像の存在感を加えます。
利用者はAIの姿を見ながら話し、AIは音声に加えてライブカメラや画面共有を理解できます。会話中にAPIや業務ツールを呼び出し、その処理を待つ間も対話を継続できる点が重要です。
| 機能 | 内容 | 実務上の意味 |
|---|---|---|
| Live Avatar | 音声と同期した動画アバター | 接客、案内、研修を対面に近づける |
| ネイティブ音声対音声 | 自然な割り込みとターン交代 | 会話のテンポを保ちやすい |
| ライブ視覚理解 | カメラ映像と画面共有を音声と同時処理 | 現物確認や操作案内に使える |
| 非同期ツール実行 | 会話を続けながらAPIを呼び出す | 在庫照会や申請処理の待ち時間を隠せる |
| 多言語 | 97言語を理解・発話し自動検出 | 多言語窓口の土台になる |
| SynthID | 生成した音声と映像へ不可視の透かし | AI生成コンテンツの識別を補助する |
一般的な音声ボットは、音声認識、LLM、音声合成、アバター生成を別々に接続します。この方式は部品を選べる一方、各工程の待ち時間、割り込み処理、表情と発話の同期を自分で調整する必要があります。
Gemini 3.8 Live with Live Avatarは、対話、視覚理解、ツール呼び出し、映像表現を一つのライブセッションで扱う設計です。特に、ツール実行中に沈黙せず「在庫を確認しています」と応答しながら会話を続けられるため、ユーザー体験を作りやすくなります。
ただし、既存の電話基盤、CRM、本人確認、監査ログまで自動的に完成するわけではありません。企業側で業務システムとの接続と権限管理が必要です。
利用者の希望を会話で聞き、商品を画面上で示し、在庫や価格をAPIで確認します。Google Cloudの公式発表では、Autotraderの車両検索、比較、ファイナンス案内が紹介されています。
利用者がスマートフォンのカメラで損傷箇所を見せ、AIが状況を整理します。公式デモでは、保険条件の確認や受付書類の作成をバックエンドのAgentが進めています。ただし、損害認定や支払判断まで無条件に自動化するべきではありません。
機器や画面をカメラで見せてもらい、操作箇所を案内します。文章だけでは伝えにくい配線、部品、設定画面の確認に向きます。
受講者の反応を見ながら説明し、質問へ割り込み対応する講師役です。評価へ使う場合は、誤判定と説明責任を別途設計する必要があります。
Webとモバイルだけでなく、受付端末やデジタルサイネージにも組み込めます。騒音、照明、通信切断、車いす利用者の視線位置など、実環境での検証が欠かせません。
一般提供では、事前に用意されたアバターのライブラリを利用できます。1枚の参照画像から独自アバターを作る機能は、企業向けの許可リストと本人・権利確認を通した顧客に限定されています。
実在人物に似せる場合は、本人の同意、肖像権、退職後の利用、なりすまし対策まで契約で決める必要があります。
公式発表時点では米国・EUエンドポイント、プロビジョンドスループット、企業向けコンプライアンスが案内されています。日本から利用できることと、日本国内でデータを処理・保存できることは同義ではありません。個人情報や録画データを扱う場合は、実際に選択するリージョンとデータ保持条件を確認してください。
Gemini 3.8 Live with Live AvatarはGAですが、より長い推論を行うGemini 3.8 Live Extended Thinkingは公式発表時点でプライベートプレビューです。両者を同じ提供条件だと考えないようにします。
Googleは97言語への対応と自動言語検出を公表しています。ただし、対応言語数だけで日本語の接客品質は判断できません。
少なくとも次を実データで試すべきです。
「日本語を話せる」ではなく、対象業務の完了率、聞き直し回数、人間への転送率で評価してください。
ライブ映像を扱うため、テキストチャットより収集データが多くなります。カメラが取得する背景、第三者の顔、机上の書類も個人情報になり得ます。撮影範囲と利用目的を明示し、不要な保存を避けます。
Gemini 3.8 Live with Live Avatarは企業向け提供です。公式記事は料金ページと営業窓口を案内しており、カスタムアバターやプロビジョンドスループットは個別相談を含みます。
見積もりではモデル利用料だけでなく、同時接続数、音声・映像のストリーミング、Agentの実行時間、接続先API、ログ保存、監視、人間への転送コストを合算してください。短いデモの単価を、そのまま一日中稼働する受付端末へ当てはめるのは危険です。
反対に、単純なFAQだけなら通常のチャットボットの方が安く運用しやすい場合があります。Avatarを使う理由を「目新しさ」ではなく、完了率や人間への転送削減で説明できる用途から始めるのが現実的です。
AIしるべでは、Gemini 3.8 Live with Live Avatarのツール情報、基盤モデルのGemini、関連する音声・音楽AI、動画生成・編集AI、AIエージェント・自動化ツールも確認できます。
まずは5〜10分のデモ評価ではなく、実際の日本語会話を含む100件程度の代表シナリオを作り、応答遅延、タスク完了率、誤操作、人間への転送率を測ると導入判断がしやすくなります。
