このレビューの進め方
方法について簡単に触れておきます。以下のすべての土台になるからです。Gemini 3.8 Live Avatarはエンタープライズ機能で、カスタムアバター作成は許可リストの先にあるため、「半年間本番で運用した」タイプのレビューではありません。私がやったのは、Google自身のモデルカード、開発者ガイド、料金表を一行ずつ読み、発表時の主張を実名の導入事例と照らし合わせ、見た目よりも重視している問い、つまり「顔があると答えは良くなるのか」に照らして全体を検証することです。
私はここ数年、ライブのサポートキューに配置するAIエージェントを作ってきましたが、夜眠れなくなるのはボットの見た目ではなく、正しいかどうかでした。だからGoogleがエンタープライズ向けエージェントにフォトリアルな話す顔を出したとき、最初の疑問は「見た目は良いか」（良い）ではなく、「重要な数字を動かすか」（動かさない）でした。以下が完全な内訳です。
実際に手に入るもの
Googleはこれを最初にGoogle Cloud Next 2026でプレビューし、基盤モデルのGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingの公開の翌週に一般提供しました。名称は最初に整理しておく価値があります。つまずきやすいからです。Gemini 3.8 Liveはリアルタイム会話モデルで、Live Avatarはその上に載るアニメーションの話す顔の動画レイヤーです。独立したモデルではなく機能で、DeepMindのモデルカードによればGemini 3 Proをベースにしています。
宣伝文句を取り除くと、この機能は具体的に次の5つのことを行います。
- リアルタイムの顔。 正確なリップシンク、自然な表情、滑らかなターン交代を、24 FPSの同期された動画出力として描画します。ベースの2.5 Flash Liveモデルには動画出力がまったくなかったので、これは小さな調整ではなく本物の前進です。
- 話しながら見る。 モデルは音声と視覚の入力を同時に処理し、カメラのフィードや画面共有を1秒に1フレームで読み取るため、会話の途中で指し示したものに反応できます。
- チャット途中でも切り替わる97言語。 ネイティブな多言語の音声から音声への処理で、言語をまたいでリップシンクと表情を適応させ、会話の途中で切り替えても視覚的なズレがありません。これが際立った能力で、後ほど戻ります。
- バックグラウンドのツール呼び出し。 非同期の関数呼び出しにより、対話が続く間にツールを起動しデータを取得するので、APIを待って文の途中でアバターが固まることがありません。
- プリセットまたはカスタムのアバター。 Gemini Enterpriseの誰もが使える厳選されたプリセットアバターのライブラリに加え、1枚の参照画像と音声サンプルから生成され、容姿とブランドのスタイルを保つカスタムアバターがあります。
デフォルトで有効な設定が2つあり、知っておく価値があります。感情に応じた対話（韻律、感情、間を読み取ってトーンを調整）と、能動的な音声（周囲の雑音や話題外のおしゃべりを除去）です。すべての音声と動画の出力には、知覚できないSynthIDの透かしも付き、カスタムアバター作成は許可リストと確認で制限されており、ディープフェイクに対するGoogleの賢明な慎重さです。
多言語対応こそが本当の見出し
これが注目に値する理由を1つ挙げるなら、言語の幅です。97言語を自動検出し、会話が文の途中で言語を切り替えると唇の動きと表情が再同期します。現在、地域ごとに別々の音声チームを置いているグローバルなサポート組織にとって、これは構造的に異なる提案です。
そしてGeminiの基盤となる言語品質は本当に強く、だからこそアバター層が目新しさだけでなく興味深いものになります。3.8 Liveの発表に関するHacker Newsのスレッドの開発者の一人が、どんなベンチマークよりもうまく言い表しています。
"My first language is Afrikaans, which is a somewhat niche language and hard to find teachers/conversation buddies outside South Africa... I've been using Gemini to live chat in Afrikaans... It is phenomenal at speaking the language - like, it really shocks my family members when they hear it."
これは能力が本当に働いている例です。デモ用の言語ではなくニッチな言語で、ネイティブを驚かせるほど上手に話せています。この品質に、切り替えをまたいでも正しくリップシンクする顔を組み合わせれば、Equal AIが9つのインドの言語で、報告によれば1日100万件以上のライブ通話に使っている理由がわかります。
実際のコスト
ここがレビューの腕の見せどころです。「トークン単位」の料金は本当の数字を隠すからです。アバター動画はGemini Enterpriseの料金で100万トークンあたり1.00ドルで課金され、課金の注記が重要です。アバター動画出力は発話1秒あたり6,192トークンで換算され、アバターが実際に話している間だけ課金され、待機して聞いている間は課金されません。
計算すると1秒あたり約0.0062ドル、つまりアバターの発話1分あたりおよそ0.37ドルです。単独で見れば、顔は請求の中でも安い部類です。
落とし穴は、アバターが単独で動くことはないという点です。Live APIのメーター全体の上に載り、グローバル以外のエンドポイントのすべての料金は次のとおりです。
| メーター | 料金（100万トークンあたり） | 備考 |
|---|---|---|
| テキスト入力 | $0.75 | |
| 動画／画像入力 | $1.00 | 画像1枚あたり258トークン |
| 音声入力 | $3.00 | 1秒あたり25トークン |
| テキスト出力（応答＋推論） | $4.50 | 推論トークンはここで課金 |
| 音声出力 | $12.00 | 高いのはこれ |
| 動画出力（アバター） | $1.00 | 1秒あたり6,192トークン、発話中のみ課金 |
音声会話で支配的になる項目は、アバター動画ではなく、100万あたり12.00ドルの音声出力です。つまり正直な捉え方は、アバターをオンにすると、すでに音声、推論、入力で課金されている会話に、発話時間分だけのささやかな追加料金が乗る、ということです。モデルカードには指摘しておくべき構造上のトレードオフもあります。Live Avatarを有効にすると、出力トークン上限が、なしの場合の64Kから24Kに下がります。また、どのLive APIセッションでも同様に、過去のターンのトークンはコンテキスト上限まで新しいターンごとに再処理・再課金されるため、長い会話では積み上がります。毎日数千件のやり取りのキューに対して試算するなら、まず音声と推論で見積もりを組み、その上にアバターを足してください。逆ではありません。
落とし穴：顔は答えを直さない
これがレビューのすべてを一つの章に凝縮したものです。上記はすべて本物で印象的です。しかし、AIサポートエージェントを導入する価値があるかを実際に決めるもの、つまり答えが正しいかどうか、にはどれも触れていません。
エージェント評価で何度も見るパターンは崖です。整理された構造化ツール呼び出しに落とし込めるタスクでは、トップモデルは優秀です。答えがナレッジベースの記事、例外的なポリシー、半分しか文書化されていない例外にあるタスクでは、精度が崩れます。その溝の両側で、同じモデル、同じ声、同じ顔なのに、難しい側のスコアが、顧客が正しい答えを得るか自信満々の誤答を得るかを決めます。
リアルなアバターは、誤答をより強く届けてしまい、和らげはしません。「わかりません、人間につなぎます」と言う無愛想なチャットボットは煩わしいですが誠実です。温かく微笑み、完璧にリップシンクした顔が、非の打ちどころのないポルトガル語で誤った返金ポリシーを伝えるほうが悪い結果です。より説得力があるからです。プレゼンテーション層と正確性の層は別の問題で、Googleは傑出したプレゼンテーション層を出荷しました。
これはGeminiへの批判ではありません。顔をゴールだと見なすことへの批判です。不気味の谷のリスクも現実です。95%説得力のある顔は、明らかに合成とわかる顔よりも不安に感じられることがあり、苛立った顧客や請求の争いなど、サポートの場面によってはフォトリアルなアバターはまったく不適切なトーンです。助けになるか害になるかはやり取り次第で、それはデフォルトではなくデザインの判断です。
本当は誰向けか
以上を踏まえて、飛び込むべき人と待つべき人を挙げます。
次のような場合は試す価値があります。 顔そのものが製品となる、音声中心またはキオスク型の体験を作っている場合：店内アシスタント、ガイド付きオンボーディング、会話型ショッピングヘルパーなどです。Cox AutomotiveとAutotraderはまさにその用途、ライブの画面ハイライト付きショッピングアシスタントとして使っており、EVP兼最高製品責任者のMarianne Johnsonがこのアプローチを支持しています。幅広い多言語対応も必要で、カスタムアバターのためにエンタープライズの許可リストに入れるなら、適合度は高いです。
待つか、他を探すべき場合： 本当の目的が、メール、チャット、ヘルプデスク全体でより多くのサポートチケットを正しく解決することなら、アバターはその数字を動かしません。中核の課題に不要な機能のために、動画メーターとトークン上限のトレードオフを払うことになります。サポート量の大半はテキストと音声チャネルで解決でき、どちらにもレンダリングされた顔は不要です。自分で組み立てるモデルではなく、サポート向けに作られた会話型AIプラットフォームと比較する場合にも覚えておく価値があります。
より本質的な点：Gemini 3.8 Live Avatarはインフラです。GoogleのADKとLive APIを使ってエージェントを組み立てるための部品で、統合、グラウンディング、テスト、ガードレールの作業はすべて自分で行う必要があります。独自の製品を作るチームには適切なツールです。すでに完成した働き手であるサポートエージェントがほしい場合には不適切です。
顔ではなく答えのためにeeselを試す
レビューでは重要なので、正直な立ち位置を述べます。eeselはアバターを作らず、音声製品でもありません。テキストのサポートチャネルを担当するAIヘルプデスクのチームメイトで、アバターが手をつけないまさにその課題、答えを正しくすることを中心に作られています。
Gemini 3.8 Live Avatarが自分で組み立てるインフラであるのに対し、eeselは採用するチームメイトです。既存のヘルプデスク（Zendesk、Freshdeskなど）に接続し、実際の過去のチケットとナレッジソースから学習し、何より、ライブの顧客に返信する前に過去の何千ものチケットでシミュレーションできるため、自社のデータで精度と解決率をまず確認できます。また、何をしたか、どのチケットを処理したか、どこで人間が介入したかを正確に報告するので、正確性の層は信じて飛び込むものではなく、測定できるものになります。
製品に話す顔が必要なら、Geminiのものは私がレビューした中で最高です。サポートキューに正しい答えが必要なら、それは別のツールで、自社のチケットでeeselを無料で試せます。