Geminiアバターは毎秒6192トークン食って数分しか持たない

Gemini 3.8 Liveにアバターが付いた　写真1枚で動く

Googleが9月24日にGemini 3.8 Live with Live Avatarを発表した。9月15日に公開した音声対話モデルGemini 3.8 Liveに低遅延の映像ストリーミングを一体化したものだ。Google Cloud Next 2026で先行公開していた技術を企業が本番環境で使えるようにした。同日からGemini Enterpriseで一般提供を開始している。

ユーザーの声を聞きカメラ映像を見ながらアバターが口を動かして応答する。表情も自然に変わり話し手の交代も滑らかだ。カメラ映像や画面共有を音声と同時に処理できる。ユーザーが見ているものをアバター側も把握しながら会話を進められる。

連続会話は数分が上限　アバターは1秒6192トークンだ

アバターを使った連続対話は数分程度が上限だ。出力の上限はアバターありで2万4000トークンでアバターなしの6万4000トークンの約3分の1にとどまる。数時間に及ぶ利用は想定していないとGoogleはモデルカードに明記している。モデルはGemini 3 Proがベースだ。推論を強化したGemini 3.8 Live Extended Thinkingは引き続き限定プレビューの段階だ。

料金は従量課金制だ。アバター映像の出力は100万トークンあたり1ドルで音声出力は12ドルになる。テキスト入力は0.75ドルで画像・動画入力は1ドルだ。アバター映像は1秒あたり6192トークンとして計算する。課金されるのはアバターが話している時間だけで聞いている待機中はかからない。

独自アバターはGoogleの許可リスト企業しか作れない

アバターはGoogleが用意したプリセットのライブラリから選べる。企業独自のカスタムアバターも作れるが利用できるのはGoogleの許可リストに登録された企業だけだ。高品質な参照画像1枚を基にブランドの特徴を保ったまま動いて応答するアバターを生成する。なりすまし防止のため厳格な検証手続きが設けられている。

生成した音声と映像にはすべて電子透かしSynthIDが埋め込まれる。AIが作ったコンテンツであることを後から検出できる仕組みだ。社内の安全チームと連携しレッドチーミングや子どもの安全に関する評価も実施したという。

97言語で窓口対応に使える　日本語でもリップシンクが追従する

対応言語は日本語を含む97言語だ。会話の途中で言語が切り替わっても映像の品質を落とさずリップシンクや表情を追従させられる。

想定する用途は顧客対応や手順を対話形式で案内するウォークスルーだ。Web・モバイルアプリ・店頭のキオスク端末での利用を見込む。許諾を得た従業員の姿を基にしたブランドの案内役やECの買い物アシスタントも用途として挙げている。米Cox Automotiveは自動車情報サイトAutotraderで車両の検索や比較からローンの相談までを案内するアバター型アシスタントを導入した。

会話を止めずに裏でツールを実行する非同期ツール呼び出しにも対応する。デモではホテルのチェックインでアバターが客との会話を続けながら裏で手続きを進める様子を紹介していた。