Googleは2026年3月26日、音声や視覚情報をリアルタイムかつ低遅延で処理することに特化した最新AIモデル「Gemini 3.1 Flash-Live」を正式に発表した。
本モデルは、開発者が人間の知覚に近い、より自然でシームレスな対話体験をアプリケーションに組み込めるよう設計されている。従来のテキストベースの処理とは異なり、音声を直接理解・生成する能力が大幅に強化されている点が最大の特徴である。
主な特徴と技術的進化
・ネイティブ・オーディオ処理：音声をテキストに変換することなく直接処理することで、話し手の感情、ピッチ、話すペースなどを正確に把握し、より豊かな対話を実現する。
・リアルタイム・マルチモーダル対話：カメラを通じた視覚情報と音声を同時に処理し、遅延を極限まで抑えた双方向のコミュニケーションを可能にする。
・コンテキスト保持能力の向上：会話スレッドの維持能力が従来の2倍に強化され、長時間の複雑なやり取りにおいても一貫性を保つことができる。
・安全性の確保：AIによって生成された音声には、Googleの電子透かし技術「SynthID」が埋め込まれ、生成コンテンツの識別と透明性を確保している。
Gemini 3.1 Flash-Liveは、現在Google AI Studioにおいて開発者向けのプレビュー提供が開始されており、今後はGemini Liveなどの一般向けサービスへも順次統合される予定である。
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-live/
コメント (0)