Googleが2026年3月、リアルタイム会話型AI「Gemini 3.1 Flash Live」を発表。人間に近い自然な音声で会話できる新モデルです。検索やGemini、開発者ツールで本日から提供開始。AI音声の判別が困難になる可能性があります。

Google、人間そっくりに話すAI「Gemini 3.1 Flash Live」発表―AI判別が困難に

Googleは2026年3月、リアルタイムで会話できる新しいAI音声モデル「Gemini 3.1 Flash Live」を発表しました。この技術は本日から、Google検索のAIモード、Geminiアプリ、そして開発者向けツールで利用可能になります。最大の特徴は、従来のAI音声よりも格段に自然な話し方ができることです。会話の間が自然で、人間らしいイントネーションを持つため、相手がAIだと気づきにくくなる可能性があります。

これまでのAI音声は、機械的な話し方や不自然な間によって、すぐにAIだと分かることが多くありました。しかし技術の進化により、その特徴が見分けにくくなっています。Googleはこの問題を認識し、AI生成音声であることを示す「SynthID」という透かし技術を組み込みました。この透かしは人間の耳には聞こえませんが、技術的に検出可能です。

Home DepotやVerizonなどの企業がすでにテストを実施しており、人間の話し方を非常によく模倣できると評価しています。今後、電話でのカスタマーサポートなどで、相手が人間なのかAIなのか判別することが一層難しくなるでしょう。

Gemini 3.1 Flash Liveの主な特徴

Gemini 3.1 Flash Liveは、リアルタイム会話に特化したAI音声モデルです。名前の「Live」が示すとおり、即座に応答できる設計になっています。従来のAI音声システムでは、質問を受けてから答えるまでに目立つ遅延がありました。この遅延が長いと、会話がぎこちなくなり、コミュニケーションが取りづらくなります。

研究者の間では、快適な会話のためには応答の遅延を300ミリ秒以内に抑える必要があるとされています。これは0.3秒、つまり瞬きする時間程度です。Googleは具体的な遅延時間を公表していませんが、「必要な速度を持っている」と説明しています。速度だけでなく、話し方の自然さも大幅に改善されており、人間の会話に近いリズムとイントネーションを実現しています。

この技術により、電話でのカスタマーサポート、音声アシスタント、教育用アプリケーションなど、様々な場面での活用が期待されます。開発者はAI Studio、Gemini API、Gemini Enterprise for Customer Experienceを通じてこのモデルにアクセスできます。

性能を示すベンチマーク結果

Googleは複数のベンチマークテストで、Gemini 3.1 Flash Liveの性能を実証しています。ComplexFuncBench Audioというテストでは、複雑で複数のステップを要する作業において大きな改善が見られました。これは例えば、「明日の天気を調べて、雨なら傘を持っていくようリマインダーを設定して」といった、複数の指示を含む依頼に対応できる能力です。

Big Bench Audioテストでは、1,000問の音声質問を使って推論能力を評価します。このテストでもGemini 3.1 Flash Liveはトップの成績を収めました。さらに注目すべきは、Scale AIのAudio MultiChallengeでの結果です。このテストは、会話中の言いよどみや割り込みにどれだけ対応できるかを測定します。

Audio MultiChallengeにおいて、Gemini 3.1 Flash Liveは36.1パーセントのスコアを記録しました。これは他のリアルタイム音声モデルを上回る成績です。ただし、リアルタイム会話を想定していない音声モデルは50パーセント以上のスコアを達成しています。つまり、リアルタイム性と精度のバランスを取る必要があり、Gemini 3.1 Flash Liveは実用的な速度を保ちながら、可能な限り高い精度を目指した設計になっています。

AI判別のための透かし技術「SynthID」

Gemini 3.1 Flash Liveの音声があまりにも人間らしいため、Googleは「SynthID」という透かし技術を導入しました。SynthIDとは、AI生成コンテンツに埋め込まれる電子的な印のことです。音声の場合、人間の耳には全く聞こえない形で音声データに組み込まれます。

この技術の目的は、誰かがAI生成音声を人間の声として偽装しようとした場合に、それを検出できるようにすることです。例えば、詐欺目的で有名人の声を模倣したり、なりすまし電話に使われたりする可能性があります。SynthIDがあれば、専門的なツールを使ってその音声がAI生成であることを確認できます。

ただし、SynthIDには限界もあります。この透かしは、誰かが意図的に検証しようとした場合にのみ機能します。日常的な電話やオンライン会議で、相手がAIかどうかをリアルタイムで判別する手段にはなりません。つまり、普通に会話している限り、相手が人間なのかAIなのか分からない状況が増える可能性があります。

企業による実証テストと評価

Googleは複数の大手企業と提携して、Gemini 3.1 Flash Liveの実地テストを行いました。参加企業にはHome Depot(住宅改修用品の大手小売チェーン)やVerizon(通信大手)などが含まれます。これらの企業は、カスタマーサポートや顧客対応の場面でこのAIを試験的に使用しました。

Googleの発表によれば、すべてのテスト企業から高い評価を得ています。特に、人間の話し方を非常によく模倣できる点が評価されました。自然な会話のリズム、適切な間の取り方、質問への的確な応答などが、実際のビジネス環境で機能することが確認されました。

これらの企業は今後、カスタマーサポートの電話対応、店舗での音声アシスタント、オンラインショッピングのサポートなどにこの技術を活用する可能性があります。顧客からの問い合わせに24時間対応できる、待ち時間を削減できる、複数の言語に対応できるといったメリットが期待されています。

できること・できないこと

Gemini 3.1 Flash Liveにより、リアルタイムでの自然な音声会話が可能になります。例えば、カスタマーサポートで商品の使い方を質問したり、音声アシスタントに複雑な指示を出したり、教育アプリで対話的に学習したりといった使い方が考えられます。従来のAI音声と比べて、会話の流れが自然で、言いよどみや割り込みにも対応できるため、より人間らしいコミュニケーションが実現します。

一方で、まだ完璧ではない部分もあります。Audio MultiChallengeのスコアが36.1パーセントという結果は、複雑な音声状況では約3分の1の精度しかないことを示しています。騒がしい環境での会話、複数人が同時に話す状況、方言や訛りの強い話し方などには、まだ課題が残っています。また、リアルタイム性を重視した設計のため、時間をかけて処理する非リアルタイムモデルと比べると精度は低くなります。今後のアップデートで、これらの制約は徐々に改善されていくでしょう。

私たちへの影響

このニュースは、日常的に電話やオンラインサービスを利用するすべての人に影響を与えます。最も直接的な影響は、カスタマーサポートへの電話で相手がAIである可能性が高まることです。しかし、その会話は従来よりもずっと自然になるため、サービスの質は向上するかもしれません。

短期的な影響については、企業のカスタマーサポートが徐々にこの技術を導入し始めるでしょう。待ち時間の短縮や24時間対応が実現する一方で、複雑な問題には人間のオペレーターが必要な場面も残ります。中長期的な影響としては、音声インターフェースを持つあらゆるサービスがより使いやすくなり、高齢者や障害を持つ方にとってもアクセスしやすくなることが考えられます。

ただし、注意すべき点もあります。相手がAIか人間か判別しにくくなることで、詐欺やなりすましのリスクも高まります。重要な取引や個人情報を扱う場面では、相手の身元を慎重に確認する必要があります。また、AIとの会話に慣れすぎることで、人間同士のコミュニケーション能力に影響が出る可能性も指摘されています。