Googleは2026年9月24日、音声対話モデルGemini 3.8 Liveに「Live Avatar」を加えたと発表しました。AIの発話に合わせて、口の動きや表情のついた人物の映像をほぼリアルタイムで生成し、声だけだった音声エージェントに「顔」を付ける機能です。提供先は企業向けのGemini Enterpriseで、料金表から計算すると、アバターが話している間の映像は1分あたり約0.37ドルになります。受付や接客の窓口にAIを置こうとしている企業にとって、見積もりの前提が一つ増える発表です。
Live Avatarでできること
Googleの説明では、Live Avatarは音声と映像を同時に扱います。利用者のカメラ映像や画面共有を見て、声を聞き、表情と口の動きを合わせた映像と音声で返す、という流れです。特徴として挙げられているのは次の点です。
- 口の動きの同期(リップシンク): 97言語で音声と口の動きを合わせる。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に追随するとしています
- 裏でのツール実行: 非同期のツール呼び出しで、たとえばホテルのチェックイン処理を進めながら会話を途切れさせない
- アバターの選択: 用意されたプリセットから選ぶか、高品質な参照画像から独自のアバターを作る。独自アバターの作成は現時点では許可リスト(allowlist)に登録された企業のみ
- 電子透かし: 生成された音声と映像にはSynthID(Googleの不可視の電子透かし)が埋め込まれる
利用はGemini EnterpriseのAgent Platform Studioから、または開発者向けのLive API経由です。日本語は97言語に含まれますが、日本のリージョンで使えるかどうかは発表からは読み取れませんでした。
なぜ今「顔」なのか
Gemini 3.8 Liveそのものは9日前の9月15日に公開されたばかりです。そのときの売りは「話しながら考える」ことで、音声エージェントの沈黙をなくす方向の改良でした。前日の9月23日には音声合成のGemini 3.8 Flash TTSも出ており、Googleは音声まわりを短い間隔で埋めてきています。
アバターは、その次の段として自然です。窓口や接客では、音声だけだと「誰と話しているのか」が伝わりにくく、店頭の端末やキオスクでは画面に何かを映す必要があります。これまではアバター映像を別サービスで生成し、音声モデルとつなぎ合わせる構成が一般的でした。映像と音声が別々だと、口の動きのずれや遅延の調整をアプリ側で持つことになります。それをモデル側が一体で返すなら、構成は単純になります。
料金を計算してみる
Google Cloudの料金表では、Gemini 3.8 Live APIのアバター映像出力は100万トークンあたり1.00ドル、映像1秒は6,192トークンに換算されます。課金されるのはアバターが話している時間だけで、聞いている間の待機時間は課金されません。
ここから計算すると、話している映像1分は6,192×60=371,520トークンで約0.37ドルです。同じ料金表で音声出力は100万トークンあたり12ドル、1秒25トークンなので1分0.018ドル。映像は音声のおよそ20倍になります。
たとえば5分の問い合わせでアバターが半分の2.5分話したとすると、映像が約0.93ドル、音声出力が約0.05ドルで、出力だけで1ドル弱です。1ドル=150円で換算すれば1件あたり約150円になります。ただし料金表には、過去のターンのトークンも毎ターン再処理され課金されるという注記があり、音声入力の料金も別にかかります。長い会話ほど単純計算より膨らむ可能性があるため、実際の請求は検証環境で確かめる必要があります。
日本の読者にとっての意味
日本では、駅や商業施設、自治体窓口でのアバター接客の実証がすでに多く行われています。多くは遠隔の人が操作する方式か、あらかじめ用意した応答を再生する方式です。Live Avatarは、会話の中身も映像も同じモデルがその場で作る点が違います。日本語で試せるなら、少人数の窓口で夜間や休日の一次対応を任せる、といった使い方が検討しやすくなると考えられます。
一方で、実在の人物に似せたアバターを作れるという点は、なりすましの懸念と表裏一体です。独自アバターが許可制になっているのはそのためと見られます。社員やタレントの顔をもとにする場合は、本人の同意と利用範囲を契約で決めておく必要があるでしょう。SynthIDの透かしは検出ツール側で確認できますが、見ている利用者には見えません。「AIが応対しています」という表示は、別に画面上で行うのが無難です。
試すなら、次の順番がおすすめです。
- Gemini Enterpriseの契約があれば、Agent Platform Studioでプリセットのアバターを日本語で動かし、口の動きと応答の遅れを確認する
- 想定する問い合わせ1件あたりの「アバターが話す秒数」を測り、上の単価で月額を見積もる
- 独自アバターを検討する場合は、許可リスト申請の前に、モデルにする人物の同意の取り方を社内で決めておく
