Gemini 3.8 Live Avatarとは実際に何か
Googleはこの技術をGoogle Cloud Next 2026で初めて披露し、基盤のGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingモデルが登場した翌週の9月24日に、Gemini Enterpriseで一般提供を開始しました。研究科学者のShuo-yiin ChangとGemini Audioチームによる発表で、主張はシンプルです。会話はマルチモーダルなので、企業向けエージェントは聞き、見て、話し、顔を見せることを同時にできるべきだ、というものです。
具体的には、Live Avatarは会話型エージェントに次の5つを加えます。
- 話すビデオの顔：同期したリップシンクと自然な表情を、ほぼリアルタイムで生成します。
- 滑らかな音声対音声の対話：会話の文脈や処理中のバックエンドトランザクションを失わずに、割り込みから自然に復帰します。
- バックグラウンドでのツール呼び出し：エージェントが会話を続けながらAPI呼び出しやデータ取得を行い、リクエストを受け止めたうえでタスクの完了を待つ間も会話を続けます。
- ライブの視覚理解：カメラ映像や画面共有を音声と同時に処理します。
- 97言語に対応し、言語を自動検出します。
Googleが最初に見せるデモはホテルのチェックインです。アバターに話しかけるとチェックインしてくれ、その間にバックグラウンドでツール呼び出しを走らせて予約を実際に完了し、気まずい沈黙を作りません。話しながら非同期でツールを呼ぶこの工夫がここで最も巧みなエンジニアリングであり、顔よりも重要です。
パイプラインを1枚の図で示します。
整理しておきたい点があります。これは他の新しいGemini 3.8の音声関連リリース（同じ週にテキスト読み上げモデルも出ました）と同じファミリーですが、Live AvatarはGemini Live APIで動く別個の機能です。エージェントが推論しながら同時に話せる関連モードのGemini 3.8 Live Extended Thinkingは、まだ非公開プレビューです。
実際にどう構築するか
Live Avatarは、サポート受信箱に対して有効にするような製品ではありません。モデル基盤であり、エージェントは自分で組み立てます。Googleが勧める道筋はAgent Development Kit（ADK）で、エージェントを定義し、ランナーとセッションメモリを管理し、従来の音声認識パイプラインを挟まずにリアルタイム音声をGemini Live APIへ直接ストリーミングします。
Google自身の保険金請求デモは、必要なスキルレベルをよく表しています。話しながらカメラで損傷を見せると、請求ノートが自動で埋まり、バックグラウンドではADKの「エージェントチーム」が保険証券を確認し、受付ルールを適用し、査定担当者向けのパッケージを作ります。これは本物のエンジニアリングプロジェクトで、出発点として使えるオープンソースのサンプルコードもありますが、ノーコードのスイッチではありません。チームがソフトウェアを出荷しているなら、心躍る部品です。サポートキューを運営しているなら、アバターは簡単な2割であり、その背後のカスタマーサービス自動化のロジックが残りの8割になる、ということです。
安全面では、すべての音声と映像ストリームに、知覚できないSynthID透かしが入り、出力がAI生成であると検出できるようになっており、カスタムアバターはその審査プロセスの先にロックされています。Googleがここでディープフェイクを明らかに警戒しているのは、もっともです。
提供状況とアクセス
Gemini 3.8 Live with Live Avatarは現在、企業顧客向けに提供されており、米国とEUのエンドポイント、プロビジョンドスループット、エンタープライズコンプライアンス、厳格なデータガバナンスを備えています。重要なアクセス区分は2つです。
- 事前構築アバター：厳選されたペルソナのライブラリで、Gemini Enterpriseの顧客なら誰でも、ウェブ、モバイル、インタラクティブキオスクに展開できます。
- カスタムアバター：1枚の高品質な参照画像（と音声サンプル）から生成し、容姿とブランドのスタイルを保ちます。これは許可リスト限定で、審査プロセスが条件となり、有効化にはGoogle Cloudの営業担当者との相談が必要です。
自社のスポークスパーソンやマスコットに似たブランドの顔が欲しいなら、セルフサービスの申し込みではなく、営業との会話と承認サイクルを見込んでおく必要があります。
コストはいくらか
「かっこいいデモ」が請求書と出会う場面です。Live AvatarはGemini Live APIでトークン単位に課金され、モダリティごとに別々に計測されます。
| メーター（Gemini 3.8 Live API、グローバル以外） | 100万トークンあたりの価格 |
|---|---|
| 入力：テキスト | $0.75 |
| 入力：動画 / 画像 | $1.00 |
| 入力：音声 | $3.00 |
| 出力：テキスト（応答と推論） | $4.50 |
| 出力：音声 | $12.00 |
| 出力：動画（アバターの顔） | $1.00 |
アバターに関して重要な数字は脚注に埋もれています。アバターの動画出力は動画1秒あたり6,192トークンで課金され、課金されるのはアバターが実際に話している間だけで、聞いている間は課金されません。計算すると、顔にかかるコストはアバターが話している1分あたり約0.37ドルです（6,192トークン x 60秒 x $1.00 / 100万）。これに加えて、生成する音声が出力100万トークンあたり12.00ドル、推論が100万あたり4.50ドル、さらにカメラや画面の映像を入力すればその分がかかります。
具体例を挙げます。アバターが半分ほどの時間話す5分間の会話では、約928,800のアバター動画トークンを消費し、推論、音声、視覚を1語も数える前の、顔をレンダリングするだけで1ドル弱になります。プレミアムな企業向け体験として法外ではありません。ただ、顔は継続的に発生する本物の費用項目であり、買えるのは見せ方であって正しさではない、という点は意識しておくべきです。
どこで輝き、誰が使っているか
技術は印象的で、初期の採用者もおもちゃではないので、公平を期したいと思います。
Cox AutomotiveはAutotrader向けに会話型のショッピングアシスタントを構築しました。ライブの画面ハイライトとツール呼び出しを使い、車の購入者を検索、比較、融資までリアルタイムで案内します。
"Shoppers increasingly expect to describe what they need in their own words rather than work through filters and menus. Autotrader's new conversational AI Avatar brings that experience to vehicle discovery by matching natural conversation to the right inventory."
インドの9言語で1日100万件以上のライブ通話を処理するEqual AIは、基盤となる3.8 Liveモデルによる割り込み処理とツール呼び出しの信頼性の向上を評価しました。Salesforceは3.8 LiveをAgentforceと組み合わせており、音声AIスタートアップのSpecsは、音声区間検出の改善とレイテンシの低下を特に挙げました。これらは会話型AIをトランシーバーのようではなく、会話らしく感じさせる部分です。
開発者も盛り上がっています。ある初期テスターは、実際に触った後の空気をこうまとめました。
"Gemini 3.8 Live Avatar is here !! Watch me having a deep convo with my virtual avatar."
ユースケースがキオスク、ガイド付きウォークスルー、語学学習アプリ、あるいは目に見える存在感とターンの切り替えが要点となる体験であれば、これは本当に強力な選択肢です。特に多言語の切り替えは作るのが難しく、Googleはそれを簡単そうに見せました。
落とし穴：顔が良くなっても、間違った答えは直らない
私が何度も立ち返る捉え直しがこれです。サポート自動化には2つの問題があり、その大きさは同じではありません。
プレゼンテーションの問題（エージェントが人間らしく感じられ、注意を引きつけ、複数言語で機能するか）は、Live Avatarでほぼ解決されています。正確さの問題（エージェントが正しい答えを返し、分からないときにそれを分かっているか）は解決されておらず、リップシンクをいくら磨いても動きません。
この2つ目の問題の大きさは実際に測れます。サポートエージェントのベンチマークであるτ-benchでは、1つのモデルを固定したまま、答えがきれいなツール呼び出しではなくドキュメントの中にある途端にタスク成功スコアが急落する様子が見られます。たとえばClaude Opus 4.5は、通信分野のタスクで約92、航空分野で84を記録しますが、答えをドキュメントから取得しなければならないナレッジベース領域では約25に落ちます。同じモデルで、取得が難しくなっただけで約68ポイントの下落です。
別の言い方をすれば、τ-knowledgeの銀行領域では、業界で最強のモデルでさえ、確実に正解できる（4回中4回）のはタスクの約3分の1にすぎません。このギャップこそがサポートの勝負のすべてであり、洗練されたデモの中では見えません。自信たっぷりのフォトリアルなアバターが間違った答えを出すのは、素っ気ないテキストボックスより危険であり、むしろ危険度が増します。その顔のすべてが「信じて」と語っているからです。
これは、真剣なサポートの購入者なら誰もがすでに持っている懸念です。あるCXリーダーは営業の通話で、こう語りました。
"The AI will never be able to answer 100% of the questions. I need an AI who is only handling the tickets that it's confident to handle, and all the other ones, leave them alone."
a DTC supplements CX lead
アバターはこの懸念に答えません。答えるのは、確信度に基づくルーティング、根拠づけ、そしてエスカレーションすべきときを知っていることです。だからこそ適切なモデルを選ぶことは最初の一歩にすぎず、より難しい仕事はそれを取り巻くすべてなのです。
カスタマーサポートチームにとっての意味
サポートやCXのチームを率いていて、これを追うべきか迷っているなら、私の率直な見方はこうです。
チケットに答えるために、ADKからカスタムのアバターエージェントを作るべきではないでしょう。エンジニアリングの負担は本物ですし、許可リストが営業サイクルを加え、その先で解決するのは簡単な問題（見せ方）で、難しい問題（正確さ、根拠づけ、エスカレーション）はそれを管理するツールもないまま引き継ぐことになります。電話や音声チャネルに限っては、経済性と正確さの上限の両方が効いてくるので、決める前にAI電話サポートについて調べる価値があります。
大多数のチームにとって、勝ち筋は顔ではありません。自信のあるチケットを静かに解決し、残りをきれいにエスカレーションし、履歴を多く見るほど正確になるAIエージェントです。それはまずテキストとメールの仕事であり、うまくやるのに話す顔は必要ありません。
eeselを試す
目標がカスタマーサービスのチケットをより正確に自己解決させることなら、私はこちらをお勧めします。Gemini Live Avatarは、それを使って構築する基盤です。eeselは、雇う完成されたチームメイトです。Zendesk、Freshdesk、Gorgias、Front、Help Scout、HubSpot、Salesforce、Jira Service Managementにそのまま接続するAIヘルプデスクエージェントで、過去のチケットとナレッジから学び、約30分で稼働を開始できます。
検索の崖に実際に対処する部分はこうです。eeselがお客様に1通でも返信する前に、そのシミュレーションが実際の過去のチケットを再生し、AIが提案した回答をチームが実際に送った内容と照らして採点します。ギャップが見え、どのチケットを扱うかを確信度ベースで正確に制御しながら、自信を持って指示を調整できます。さらに月額固定料金で、月額299ドルから500クレジット（チケットまたはチャット1件につき1クレジット）、ユーザー単位の料金はなく、お支払いいただくのはレンダリングされた顔ではなく、正しい回答に対してです。（正直な補足：eeselはテキストとチケットのチームメイトであり、音声やアバターの製品ではありません。話す顔が要件ならGemini Live Avatarが道具です。正しい答えが要件なら、私たちです。）