Googleは2026年3月26日、リアルタイム音声対話向けの新モデル「Gemini 3.1 Flash Live」を発表した。結論からいえば、これは単なる音声入出力の更新ではなく、「自然な会話のテンポ」「抑揚や感情の理解」「長めの対話の維持」「マルチモーダル処理」を一体で強化したLive API向けの中核モデルだ。音声エージェント、検索、カスタマーサポート、車載・ウェアラブルUIまで視野に入る一方、現時点ではPreviewであり、本番導入には機能制約や運用設計の確認が欠かせない。
導入
Gemini 3.1 Flash Liveは、Googleがリアルタイム対話のために前面に押し出した最新の音声モデルだ。開発者向けにはGemini Live API経由でGoogle AI Studioから試せ、企業向けにはGemini Enterprise for Customer Experienceでも活用が進められている。一般ユーザー側でもSearch LiveやGemini Liveに組み込まれており、Googleはこのモデルを「次世代の音声ファーストAI」の基盤として扱っている。
読者向けに先に結論を示すと、Gemini 3.1 Flash Liveの価値は「音声対話を、STT→LLM→TTSの寄せ集めではなく、より一体的な会話体験として扱いやすくした点」にある。とくに、低遅延の応答、話し方のニュアンス理解、割り込みへの対応、関数呼び出しや検索との連携を一つの枠組みで扱えることが、開発面とUX面の両方で効いてくる。
何が起きたのか / 何が発表されたのか
Googleは2026年3月26日、公式ブログでGemini 3.1 Flash Liveを発表した。位置づけとしては、リアルタイム音声対話に最適化した「audio-to-audio」モデルで、Googleは自社の“highest-quality audio and voice model yet”と説明している。
開発者向けのモデルページによると、モデルIDは gemini-3.1-flash-live-preview。入力はテキスト、画像、音声、動画、出力はテキストと音声に対応する。入力トークン上限は131,072、出力トークン上限は65,536で、Function Calling、Live API、Search grounding、Thinkingをサポートする一方、Batch API、Caching、Code execution、File search、Image generation、Structured outputsなどは現時点では非対応だ。
Live API全体としては、公式概要で、低遅延な音声・画像・テキストのストリーミング、割り込み（barge-in）、音声文字起こし、Google Searchとの連携、感情表現に応じた応答スタイル調整などが案内されている。接続方式はステートフルなWebSocketが基本で、クライアント直結も可能だが、本番用途ではエフェメラルトークンなどを使った安全設計が推奨される。
背景
なぜこの発表が注目されるのか。理由は、音声AIの競争軸が「音声認識の精度」だけではなく、「会話がどれだけ自然に続くか」「どれだけ早く返るか」「実世界のタスクにどれだけ接続できるか」に移っているからだ。
従来の音声エージェントは、音声認識（STT）で文字に起こし、LLMで解釈し、最後に音声合成（TTS）する多段構成が一般的だった。この方式は制御しやすい半面、モジュールが増えるぶんレイテンシや実装負荷、状態管理の複雑さが増しやすい。OpenAIのVoice agentsガイドでも、音声エージェントには「speech-to-speech」と「chained voice pipeline」の二方式があると整理されており、前者はより自然で低遅延、後者はワークフローの制御性が高いと説明されている。
Googleは2025年からGemini 2.5系のNative Audio / Live APIを進めてきたが、今回の3.1 Flash Liveでは、その延長線上で「より自然な会話」と「より強い実運用性能」を前面に出した。つまり、単に音が出るAIではなく、会話のテンポや実行能力まで含めて“使える音声エージェント”へ近づけた、というのが今回の文脈だ。
この技術・製品・サービスで何ができるようになるのか
Gemini 3.1 Flash Liveで大きいのは、今まで別々に組み合わせることが多かった「聞く」「考える」「返す」を、より会話寄りの体験として一体で扱いやすくなる点だ。これはユーザーにとっては違和感の少ない対話、開発者にとってはリアルタイムアプリの設計簡素化につながる。
1. 会話の“間”が減り、自然なテンポで返しやすくなる
Googleは、3.1 Flash Liveが前世代より低遅延で、自然なリズムの対話を実現すると説明している。Gemini Liveアプリ側でも、従来モデルより速く応答し、会話の文脈をより長く保てるようになったとしている。公式ブログでは、Gemini Liveが前モデル比で「会話の流れを2倍長く追える」と案内しており、長めのブレストや相談に向く方向性が見える。
2. 抑揚や困惑など、音声のニュアンスを踏まえて返答しやすくなる
3.1 Flash Liveは、音の高さや話速などの音響的ニュアンス理解が強化されたとされる。企業向け説明では、2.5 Flash Native Audioよりもピッチやペースといった特徴をとらえやすく、ユーザーの苛立ちや混乱に合わせて応答スタイルを調整しやすいとされている。単語だけではなく、どう話したかまで使いやすくなるのが進歩点だ。
3. 音声エージェントが複雑なタスクをこなしやすくなる
今回の発表でGoogleが強く押しているのは、単なる雑談性能ではなく、タスク完了能力だ。Function CallingやSearch groundingを組み合わせることで、問い合わせ対応、予約補助、検索支援、商品案内、社内オペレーション支援などに展開しやすい。公式ベンチマークでは、ComplexFuncBench Audioで90.8%を記録し、前世代の2.5系Liveモデルを大きく上回ると説明されている。
4. 音声だけでなく、画像や動画を交えたリアルタイム体験を設計しやすい
Gemini Live APIは音声だけのAPIではない。入力として画像やテキストも受けられるため、たとえば「いまスマホで見えている棚を見せながら設置方法を聞く」「現場の機器映像を見せながら異常を相談する」といった使い方がしやすい。Search Liveがグローバル拡大した背景にも、このマルチモーダル性がある。
既存競合との比較
Gemini 3.1 Flash Liveを正しく評価するには、少なくとも「OpenAI Realtime API」と「従来のSTT→LLM→TTS構成」、さらに「Google自身の旧世代Liveモデル」の3方向から見るのが有効だ。どれが絶対的に上とは言い切れず、用途によって向き不向きがある。
Gemini 3.1 Flash Live vs OpenAI Realtime API
| 比較観点 | Gemini 3.1 Flash Live | OpenAI Realtime API |
|---|---|---|
| 基本思想 | Live API中心の低遅延A2A音声対話。画像や検索連携も重視 | Speech-to-speech中心。ブラウザではWebRTC、サーバーではWebSocketを推奨 |
| 接続方式 | 公式ドキュメント上はWebSocket中心 | WebRTCとWebSocketの両方を公式に案内 |
| 料金 | 2026年4月23日時点で、音声入力$3/1M tokensまたは$0.005/分、音声出力$12/1M tokensまたは$0.018/分 | 2026年4月23日時点で、gpt-realtime-1.5は音声入力$32/1M tokens、音声出力$64/1M tokens |
| 競争力の見え方 | 価格面とGoogle検索・Gemini周辺連携が魅力 | WebRTCの扱いやAgents SDKなど、実装導線のわかりやすさが強み |
| 向くケース | Googleエコシステムとの親和性、コスト重視、検索連携、マルチモーダル支援 | ブラウザ中心のリアルタイム音声体験、WebRTCベースの構築、OpenAIスタックとの統合 |
OpenAIのRealtime APIは、低遅延な音声対話をネイティブに扱える点で直接の比較対象になる。ブラウザではWebRTCを推奨し、Voice agentsガイドとAgents SDKも整備されているため、実装体験のわかりやすさでは依然強い。一方で料金表を見る限り、Gemini 3.1 Flash Liveは音声入出力単価がかなり低く、量をさばく用途ではコスト設計がしやすい。もちろんトークン換算や音声品質、応答設計は単純比較できないが、コストの見積もり段階では無視できない差だ。
Gemini 3.1 Flash Live vs 従来のSTT→LLM→TTS構成
従来構成の強みは、各レイヤーを細かく差し替えられることだ。音声認識だけ別ベンダー、推論だけ社内モデル、音声合成だけ専用TTS、といった組み方がしやすく、ログ管理や承認フローも設計しやすい。既存のテキストエージェントを音声化するなら、この方式はまだ有力だ。
ただし、リアルタイム性と自然さでは不利になりやすい。OpenAI公式ガイドでも、speech-to-speechの方が低遅延で自然だと明示されている。Gemini 3.1 Flash Liveのようなネイティブ音声対話モデルは、割り込み、対話継続、音声ニュアンス理解まで一体で扱いやすいので、会話体験を優先するなら有利だ。逆に、厳格な中間テキスト監査やルールベース制御が最優先なら、従来構成の方が安心な場面もある。
Gemini 3.1 Flash Live vs Gemini 2.5 Flash Live / Native Audio
Google自身の旧世代と比べると、3.1 Flash Liveの進歩はかなり明確だ。Googleの公式説明では、ComplexFuncBench Audioで90.8%を記録し、2.5 Flash Native Audioの71.5%を上回る。Audio MultiChallengeでも、Thinking High設定時の36.1%というスコアが示され、同じ図表ではGPT-Realtime 1.5の34.7%を上回る結果が掲載されている。ただし、これらはGoogle側が提示するベンチマークであり、実運用の優位性をそのまま保証するものではない点には注意したい。
また、3.1系への移行では、Thinking設定がthinkingBudgetではなくthinkingLevelに変わっている。既存実装を持つチームは、単にモデル名を差し替えるだけでは済まず、レイテンシと応答品質のバランス調整まで含めた再検証が必要になる。
懸念点・注意点
評価が高い一方で、導入時の注意点も少なくない。まず最重要なのは、現時点でこのモデルがPreviewであることだ。Preview機能は一般に仕様変更の可能性があり、安定運用やSLA前提の設計には慎重さが要る。
次に、機能の非対応領域が残っている。モデルページではCaching、Batch API、Structured outputs、Image generation、Code executionなどが未対応で、音声対話を核にした用途へ割り切った性格が見える。つまり、「何でもできる万能モデル」ではなく、リアルタイム対話に強い代わりに、補助機能はまだ限定的ということだ。
運用面では、クライアント直結の手軽さとセキュリティの両立も課題になる。Live API概要では、クライアントから直接接続する方式は性能面で有利としつつ、本番環境では標準APIキーではなくエフェメラルトークンを使うことを勧めている。認証、料金制御、ログ、個人情報保護を考えると、多くの企業は結局バックエンドを介した構成を取る可能性が高い。
さらに、音声AIが自然になるほど、フェイク音声や誤認のリスクも高まる。Googleは3.1 Flash Liveで生成した音声にSynthIDの不可聴ウォーターマークを埋め込むとしており、安全性の配慮は進んでいる。ただし、ウォーターマークがあることと、誤用リスクが消えることは別問題だ。本人確認、録音告知、利用規約、監査ログなど、業務導入側の設計は引き続き重要になる。
最後に、価格だけで判断しないことも大切だ。Gemini 3.1 Flash Liveは単価だけ見ると非常に攻めた設定だが、実際のコストは会話長、割り込み頻度、音声品質要件、ツール呼び出しの有無、検索グラウンディングの利用量で変わる。PoCでは安く見えても、長時間セッションや音声出力量が増えると見積もりが変わるため、テスト設計は慎重にしたい。
よくある質問
Gemini 3.1 Flash Liveは無料で使えますか？
Googleの料金ページでは、2026年4月23日時点でFree Tierが案内されている。プロトタイプ用途では試しやすいが、商用運用ではレート制限や提供条件を含めて最新の料金ページを確認したい。
Gemini 3.1 Flash Liveは日本語に対応していますか？
Live APIの言語・音声設定ドキュメントでは、日本語（ja-JP）がサポート言語に含まれている。実際の体験品質はユースケースやプロンプト設計に左右されるが、日本語対応そのものは公式に案内されている。
Gemini 3.1 Flash Liveは何が新しいのですか？
単なる音声認識ではなく、低遅延の応答、抑揚理解、割り込み対応、長めの会話維持、検索や関数呼び出しといった実用機能を、リアルタイム対話前提で強化した点が新しい。Googleは旧世代比でタスク性能や会話自然さの改善を打ち出している。
OpenAI Realtime APIとどちらを選ぶべきですか？
Google検索やGemini周辺サービスとの連携、価格重視ならGemini 3.1 Flash Liveが有力だ。一方、ブラウザでのWebRTC前提実装やOpenAI Agents SDKとの親和性を重視するならOpenAI Realtime APIが選びやすい。既存スタックとの統合性で決めるのが現実的だ。
本番導入しても大丈夫ですか？
PoCや限定導入には向くが、Previewである点を踏まえると全面的な本番依存は慎重に判断したい。仕様変更、未対応機能、セキュリティ設計、運用監査まで含めて検証するのが安全だ。
まとめ
Gemini 3.1 Flash Liveは、Googleが音声AIを「会話の自然さ」と「実行能力」の両面で前進させたことを示す発表だった。低遅延、音声ニュアンス理解、長めの会話維持、マルチモーダル入力、ツール連携がまとまって強化されており、リアルタイム音声エージェントの実装候補として十分に有力だ。
とくに注目すべき読者は、AI音声アシスタントを作りたい開発者、コールセンターや接客の自動化を検討する事業者、検索や業務支援を音声UIに載せたいプロダクト担当者だろう。一方で、Preview段階であること、未対応機能があること、セキュリティと運用の設計が不可欠であることは忘れられない。
現時点での見方としては、「すぐに全置換する決定版」というより、「リアルタイム音声AIの主戦場でGoogleがかなり強い一手を打ってきた」と捉えるのが適切だ。今後は、GA化の時期、実運用での安定性、競合との体験差、料金改定の有無を継続的に追う価値がある。
コメント