Geminiがライブ音声インターフェースをリリース

外部翻訳に頼らないネイティブな音声機能

Googleは、Gemini 3.8 LiveとExtended Thinkingモデルの2つの新しい音声モデルをリリースしました。これは標準的なASR（音声認識）、LLM（テキスト）、TTS（音声合成）のパイプラインではなく、ネイティブなオーディオ処理を備えたモデルです。70以上の言語を処理し、元の話者のイントネーション、ペース、ピッチを維持できます。

誰がデフォルトのコミュニケーションチャネルをコントロールするか

OpenAIとGoogleの争いは、テキストボックスからリアルタイムの流暢な対話へと移行しています。企業にとって、これはカスタマーサポートや通訳サービスによりスムーズなインタラクションを構築できる可能性を意味します。テキスト変換のステップが省略されるため、遅延が少ないことが最大の利点です。

多言語対応はローカルなニュアンスの壁に直面する

理論上は、設定を切り替えることなく数百の言語ペアを処理できます。しかし、本当の限界は単語の認識だけでなく、マイナーな言語での文脈や慣用表現を維持する能力になるでしょう。品質は、グローバルな英語と小規模なヨーロッパ市場の間で大きく異なる可能性があります。

インフラストラクチャの負荷下における遅延が決定的な要因になる

最も興味深い指標は、システムが典型的な運用負荷に直面したときの応答時間の安定性になります。アーキテクチャが機能していることの証明は、複雑な文を翻訳する際に顕著な一時停止がないことです。

Lilithの判定

誰がグローバルビジネスの標準的な通訳となり、古いコールセンターから収益を奪うかという競争を目撃しています。