Googleは9月24日（米国時間）、対話AIにリアルタイムで動く人物やキャラクターを組み合わせる「Gemini 3.8 Live with Live Avatar」を発表した。音声に合わせて口の動きや表情を生成し、ユーザーと会話しながら映像で応答する。企業向けの「Gemini Enterprise」で同日から提供を開始した。
リアルタイム対話モデルを基盤にAIエージェントへ視覚的な姿を付与
Live Avatarは、9月15日に発表されたリアルタイム対話モデル「Gemini 3.8 Live」を基盤とする。音声と低遅延のストリーミング映像を組み合わせ、AIエージェントに視覚的な姿を持たせる。音声と映像の入力を同時に処理し、ユーザーの発話だけでなく、カメラなどから得た視覚情報も踏まえて応答できる。
会話を止めずに外部ツールを利用可能、97言語に対応
特徴の1つが、会話を止めずに外部ツールを利用できる点である。非同期のツール呼び出しに対応し、ユーザーとの対話を続けながら、バックグラウンドでツールを呼び出して必要なデータを取得できる。たとえばホテルでは、宿泊客と会話を続けながら、並行してチェックイン処理を進めるAIエージェントを構築できる。
多言語での利用にも対応する。97言語をサポートし、会話の途中で言語を切り替えた場合も、発話に合わせて口の動きや表情を調整する。Googleによると、言語を変更しても映像品質を維持し、アバターの見た目が徐々に変化する「ビジュアルドリフト」を抑えられるという。発表では、アバターが英語と日本語を切り替えながら会話するデモ映像も公開している。
カスタムアバターは許可を受けた企業に限定提供、SynthIDで透明性を確保
アバターは、Googleが用意するプリセットのライブラリから選べるほか、独自のアバターも作成できる。高品質な参照画像を基に、人物の特徴やブランドデザイン、キャラクターの外見を維持しながら、フルアニメーションで動的に反応するアバターを生成できる。ただし、カスタムアバターの作成機能は現時点で、Googleの許可を受けた企業に限定して提供される。
安全面では、人物のアイデンティティの保護やAI生成コンテンツの透明性を考慮した対策を導入する。Live Avatarが生成する音声と映像には、Google DeepMindの電子透かし技術「SynthID」が埋め込まれ、AI生成コンテンツであることを検出できるようにする。
現時点でGemini 3.8 Live with Live Avatarは、Gemini Enterpriseを通じて、企業が顧客対応や案内、業務支援などを担うAIエージェントを構築するための機能として提供される。GoogleはAPIドキュメントも公開している。一般ユーザー向けの提供については言及していない。
