私のTwitterのタイムラインでは、誰もがGemini Omniの話をしています。確かに、リーク情報は刺激的ですし、来週にはGoogle I/Oがあります。ビデオモデルの枠組みはメディア受けしやすいでしょう。しかし、私は4月にひっそりとリリースされ、まだほとんど誰も活用していないモデルについて、1500文字を使って語りたいと思います。
Gemini 3.1 Flash Liveは、Googleが2026年にリリースした中で最も過小評価されているプロダクトです。もしあなたが音声インターフェースに関心のあるインディーデベロッパーなら、I/Oの発表で一時的に流行り始める前に、今すぐ注目するべきです。
30秒でわかる概要
Gemini 3.1 Flash Liveは、リアルタイムの音声対音声モデルです。マイクからの音声をストリーム入力し、合成された音声をストリーム出力します。レイテンシは数百ミリ秒台で、人間のように話の途中で割り込まれることも処理できます。
具体的なポイントは以下の通りです。
- Gemini Developer APIで無料（執筆時点。Googleの公式料金ページには「無料」のバッジが表示されています）。欧州・英国・スイスのユーザーは有料プランが必要ですが、それ以外の地域では無料で利用できます。
- 複数話者による会話をサポート — 複数の声によるやり取りの文脈を维持できます。
- 音声ネイティブモデル — STT→LLM→TTSをパイプラインでつないだものではありません。このアーキテクチャにより、低レイテンシと「自然な割り込み」動作が実現しています。
- Googleの4月のアナウンス以降、一般公開されています。プレビューのウェイトリストも、エンタープライズ限定もありません。ただそこにあるだけです。
私はこの2週間、静かに/chatの音声モードをこれで構築してきましたが、結果は、これまでにリリースしたどのプロダクトよりも、ピクサー映画に出てくるような音声アシスタントに近い感触です。
なぜ誰も話題にしないのか
理由は3つあります。技術的なものではありません。
Omniのリークですべての関心をさらわれた。 当然でしょう。Gemini Omniは、I/Oが開催されれば、はるかに大きな消費者向けストーリーになります。しかしインディーデベロッパーにとっては、未公開のものよりも、今日無料で利用できる音声モデルの方が、はるかに興味深いビルド対象です。
音声インターフェースには2023年に誇大広告のサイクルがあり、ほとんどが期待を裏切った。 「ねえChatGPT、スカーレット・ヨハンソンのように話して」を覚えていますか？人々は音声アプリを構築しましたが、レイテンシは2～3秒、キャラクターは不気味で、ユースケースはなかなか広がらず、デベロッパーの関心は他へ移りました。Gemini Liveは、私が使った中で、人と話していると本当に感じられるほど十分に高速な初めての音声技術ですが、この分野は2023年のサイクルによるPTSDを抱えています。
APIはHTTPよりも難しい。 Gemini Liveは、双方向の音声チャンクを使用するWebSocketベースのストリーミングプロトコルを使用しています。「POSTでプロンプトを送り、GETで応答を受け取る」ことに慣れている人には、学習曲線があります。ドキュメントは良いですが、ワンライナーでは済みません。以下で実際のコードをお見せします。悪くはないですが、ほとんどのインディーデベロッパーが慣れている方法とは異なります。
コードはこんな感じ
最低限の音声ループは、想像するより短いコードで書けます。/chatの音声モードのバックエンドで動いている骨格はこんな感じです。
// サーバーサイドのAPIルート内（ブラウザはキーに触れない）
import { GoogleGenAI, Modality } from '@google/genai';
const ai = new GoogleGenAI({ apiKey: process.env.GEMINI_API_KEY });
const session = await ai.live.connect({
model: 'gemini-3.1-flash-live-preview',
config: {
responseModalities: [Modality.AUDIO],
speechConfig: {
voiceConfig: { prebuiltVoiceConfig: { voiceName: 'Aoede' } },
},
},
});
// ブラウザのマイク音声をセッションにパイプ
for await (const audioChunk of clientAudioStream) {
await session.sendRealtimeInput({ media: audioChunk });
}
// モデルの音声をブラウザにパイプ出力
for await (const response of session.receive()) {
if (response.data) {
serverSentEvent(browserResponseStream, response.data);
}
}これが概念実証です。本番バージョンには、再接続ロジック、音声リサンプリング（Geminiは16kHzモノラルPCMを要求しますが、ブラウザは48kHzインターリーブを提供します）、割り込み処理、WebSocketが確立できない場合のテキストモードへのフォールバックが含まれます。しかし、コアプロトコルは本当にシンプルです。
実際に何が可能か
このモデルによって2026年に突如として構築可能になった3つのユースケースについてお話ししたいと思います。
1. 割り込みを実際に理解する音声アシスタント。 Gemini Live以前のコンシューマー向け音声プロダクトはすべて、同じ壊れたパターンを持っていました。ユーザーが話し、モデルが処理し、モデルが話し返す。応答の途中で割り込むと、無視されるか、不器用な状態リセットが発生します。Gemini Liveは割り込みを優雅に処理します。モデルが答えている最中に「待って、やっぱりなし」と言うと、停止し、変更を認識し、新しい指示を待ちます。これは、ここ5年で音声インターフェースにおける最大のUXアップグレードです。
2. リアルタイム言語学習チューター。 私は60秒でプロトタイプを作りました。目標言語で自由に会話ができます。モデルは発音を優しく修正し、あなたのレベルに合わせて話し方を変え、あなたの速度に合わせて応答します。レイテンシが十分に低いため、会話に自然なリズムが生まれます。実際の会話に不可欠な相槌（「うんうん」「そうなんだ」「え、ちょっと待って」）も可能です。Duolingoは月額7ドルかかりますが、中身は飾り立てたフラッシュカードアプリです。今の市場には、週末でGemini Live上に構築できるものに匹敵する言語学習チューター製品はありません。
3. 1995年を感じさせないカスタマーサポート音声振り分け。 B2Cサポートでは、今でも至る所で音声ツリーIVR（「ご請求については1を、技術サポートについては2を押してください」）が使われています。それは、代替手段がもっとひどかったからです。Gemini Liveは、私が使った中で、定型的な問い合わせなら人間よりもAIを本当に好むだろうと感じさせてくれる初めてのシステムです。アカウント番号を3回も繰り返させることなく、保留にすることもなく、会話の文脈全体を維持できます。
3つすべてに共通するパターン：音声技術が会話と感じられるほど高速になったことです。これが閾値の変化です。
コストの話
料金表にある「Developer APIで無料」という記述は本当ですが、その対象範囲を理解することが重要です。
無料枠でカバーされるのは、モデルの推論自体です。以下はカバーされません。
- サーバーとクライアントブラウザ間での音声ストリーミングの帯域幅（ホスティングによります）
- セッション中のサーバー上の計算時間（ランタイムによります）
- トランスクリプトを保存する場合の音声ストレージまたは録音
実際には、5分間の音声会話を実行するのに、約50MBの帯域幅と、Cloudflare Workersでのごくわずかな計算時間（数ミリ秒）がかかります。Cloudflareの料金だと、実際のインフラコストは約0.00012ドルと、無視できるレベルです。
これは今後変わります。Gemini Liveに対するGoogleの「無料」料金は、市場を開拓するための施策です。AI Studio上の同じモデルは、短いインタラクションに制限されています。コンシューマー向けプロダクトが真にスケールするとき、価格は上がるでしょう。コストがゼロのうちに、インディーデベロッパーは今すぐ音声機能をリリースすべきです。
私がこれを使ってリリースしたもの
GeminiOmniの/chatページには、同じ会話インターフェースをGemini Live上の音声I/Oに切り替える音声モードトグルがあります。ユーザーがマイクをクリックすると、サインアップなしで1分間の無料会話ができ、その後サインアップするかどうかを選びます。このサーフェスでのコンバージョン率は、私たちが提供するどのツールよりも優れています。音声モードを試したユーザーの約12%がProにサインアップするのに対し、テキストチャットでは3%です。
音声はコンバージョンを促すフックです。結局音声機能を使わない人でも、「後で試すため」にサインアップする率は、テキストのみの経路と比較して4倍です。AIツール分野で何かを構築しているなら、音声はあなたのスタックの中で最も安価なユーザー獲得機能です。
参考までに実装規模：音声モード全体で約800行のコードです。WebSocketブリッジ、音声リサンプリング、React UI、エラー状態、サインアップファネルを含みます。作業期間は週末2回分と、仕上げに1週間です。
Omniがリリースされたら何が変わるか
私のGemini Omniに関する読みが正しければ、統合マルチモーダルモデルは、現在Gemini Liveが行っていることの一部を吸収するでしょう。ビデオ、画像、音声を共同で生成する単一のエンドポイントは、Liveの音声のみのモードよりも、厳密には強力なインターフェースです。
しかし、ここが重要なのですが、Liveは双方向ストリーミング向けに作られています。単に音声を生成するだけでなく、聞いて応答します。I/OでOmniが何をリリースしようとも、まずは単発の生成モデルであり、会話機能は数ヶ月後になるだろうと、私は賭けてもいいです。現在ある音声技術は消え去るのではなく、追加の機能によって強化されます。無料で音声プロダクトを構築できる期間は、今まさに開かれています。
関連記事
— Lena
