97言語のリップシンクが会話の途中で切り替わる。Gemini 3.8 Live に Live Avatar が付いた

要約

Google は 2026-09-24、Gemini 3.8 Live with Live Avatar を公開しました。2026-09-15 に出たリアルタイム音声対話モデル Gemini 3.8 Live に、低遅延の動画生成を組み合わせたものです。公式の表現では「Gemini の対話 AI に、ほぼリアルタイムの視覚的な存在感を与える」。会話しながら、それに同期して動くアバターを画面に出せます。

技術的な特徴は4つあります。マルチモーダル入力として、視覚と音声を同時に処理します。カメラに映っているものを見ながら話す、という対話が成立します。表示面では精密なリップシンク、自然な表情、滑らかなターンテイキングを備えます。ターンテイキングは「話者交代」のことで、人間同士の会話で自然に起きる割り込みや相槌のタイミングを指します。ここが不自然だと、映像があってもかえって違和感が強まる部分です。

非同期のツール実行に対応している点は、実装上の意味が大きい機能です。 バックグラウンドで検索や API 呼び出しを走らせている間も、対話が途切れません。従来型の実装では、ツールを呼び出すと応答が止まり、数秒の沈黙が生まれます。映像つきの対話でこれが起きると、フリーズしたように見えてしまいます。

多言語対応は 97言語です。そして重要なのは、会話の途中で言語が切り替わってもリップシンクが追随する点です。日本語で話していて途中から英語に切り替わっても、口の動きがずれません。

企業向けには、参照画像からアバターを生成するカスタムアバターが用意されます。ブランドのアイデンティティを保ったまま独自のアバターを作れますが、現時点では enterprise allowlisting（個別許可）制です。

安全面では、出力すべてに SynthID の不可視ウォーターマークが入り、AI 生成物であることを識別できます。

提供先は Gemini Enterprise で、API は Gemini Enterprise Agent Platform 経由です。価格および段階的ロールアウトの日程は、公式ポストに記載がありません。

何が変わったか

• Gemini 3.8 Live にアバター表示が追加された（低遅延の動画生成を組み合わせ）
• 視覚と音声の同時入力に対応
• 精密なリップシンク、自然な表情、滑らかなターンテイキング
• 非同期のツール実行に対応 — バックグラウンド処理中も対話が途切れない
• 97言語に対応。会話の途中で言語が切り替わってもリップシンクが追随
• 参照画像からのカスタムアバター生成（enterprise allowlist 制）
• 全出力に SynthID の不可視ウォーターマーク
• 提供先は Gemini Enterprise、API は Gemini Enterprise Agent Platform 経由
• 価格・ロールアウト日程は公式ポストに記載なし

業務インパクト（一般企業向け）

この更新で変わるのは「AI が担当できる接点の種類」です。

音声だけの対話 AI は、電話やスマートスピーカーのようなもともと声しかない接点に限られていました。アバターが付くと、画面がある接点が対象に入ってきます。具体的には、受付端末、社内研修の講師、店頭のサイネージ、オンライン相談の窓口。これらはいずれも「人が画面の向こうにいることが前提」だった接点です。

97言語の途中切り替えは、多言語サポートの設計を変えます。 従来の多言語対応は「言語ごとに窓口を分ける」構成が基本でした。日本語窓口、英語窓口、中国語窓口。利用者は最初に言語を選ぶ必要があり、途中で切り替えたければかけ直すことになります。リップシンクが会話の途中の切替に追随するということは、言語を選ばせずに1つの窓口で受けられるという意味です。日本語で話し始めた利用者が、専門用語だけ英語で言っても成立します。これはインバウンド対応や外国籍従業員向けの社内窓口で、設計を大きく単純化します。

非同期ツール実行の価値は、体験の連続性にあります。 業務で使う対話 AI は、ほぼ必ず外部システムを見に行きます。在庫を調べる、予約状況を確認する、社内文書を検索する。この待ち時間に映像が止まると、利用者は「壊れた」と判断して離脱します。 対話を続けたまま裏で処理できるなら、「今お調べしますね」と言いながら実際に調べる、という人間と同じ振る舞いが実装できます。映像つき対話 AI が実用に耐えるかどうかは、ここで決まると言っていい部分です。

導入検討の前に押さえるべき制約が3つあります。 第一に、カスタムアバターは allowlist 制です。自社のブランドキャラクターを使いたい場合、まず許可を得る必要があり、いつ誰でも使えるようになるかは公表されていません。第二に、価格が公開されていません。 動画生成を伴うため、テキストや音声より単価が高くなることは想像できますが、桁が読めません。第三に、対象は Gemini Enterprise です。一般消費者向けや中小規模のプランでの提供は言及されていません。

したがって現時点で妥当な動きは、導入可否の判断ではなく、対象業務の棚卸しです。 自社の中で「画面があり」「人が対応していて」「多言語のニーズがあり」「外部システムを参照する」接点がどこにあるかを先に洗い出しておく。価格が出た時点で、その一覧に当てはめれば判断が早くなります。逆に、価格を待たずに PoC を始めると、費用対効果の議論ができないまま予算を使うことになります。

SynthID ウォーターマークについても触れておきます。 全出力に不可視の識別子が入るため、「これは AI である」と後から証明できます。 対人業務で AI を使うとき、利用者への開示は倫理面でも法規制の面でも避けられません。ウォーターマークは開示の代わりにはなりませんが、事後の検証手段があること自体が、社内の承認を得る材料になります。

副業・個人活用視点

率直に言うと、この機能は現時点で個人が直接使えるものではありません。 提供先は Gemini Enterprise、カスタムアバターは allowlist 制、価格は非公開。個人事業や副業で明日から触れる類の発表ではないことは、最初にはっきりさせておきます。

それでも押さえておく価値があるのは、提案する側に回ったときの材料になるからです。

多言語の途中切替は、説明すると反応が返ってくる論点です。 インバウンド対応や外国籍スタッフの多い職場では、「言語を選ばせる」という現在の設計が実際の使われ方と合っていません。利用者は言語を混ぜて話します。この不一致を言語化できると、相手が自分の現場の課題として認識します。 機能の紹介ではなく、相手の困りごとの言語化として持っていくのが効きます。

アバターという要素の扱いには注意が必要です。 「AI が人の顔をして応対する」という話は、感情的な反発を招くことがあります。接客の質が下がる、人間味がなくなる、という反応です。この反発は、アバターを「人の代替」として説明したときに強く出ます。 そうではなく、**「これまで無人だった時間帯・言語・窓口を埋めるもの」**として説明すると、話が進みます。夜間の問い合わせ、対応できる人がいない言語、待たせている待ち行列。人がいる時間を置き換えるのではなく、人がいない時間を埋めるという位置づけです。

技術的な学びとしては、非同期ツール実行の設計思想が汎用的です。 「処理中に対話を止めない」は、アバターに限らずあらゆる対話型 UI に効く原則です。自分でチャットボットや音声エージェントを作るときも、ツール呼び出し中に何を返すかを設計するという発想は直接使えます。沈黙させない、進捗を返す、先に雑談で繋ぐ。Gemini の実装がそこまでやっているという事実は、自分の実装で手を抜けない基準が上がったことを意味します。

情報の扱いについて。 価格とロールアウト日程は公式ポストに記載がありません。コンテンツや提案資料でこの機能に触れるときは、「価格未公開」「Gemini Enterprise 向け」「カスタムアバターは個別許可制」の3点を必ず添えてください。 省略すると、読んだ人が「すぐ使える」と誤解します。