顔の付いた対話AIは、待ち時間まで見せる
Googleは9月24日、Gemini 3.8 Liveの音声対話と映像アバターを組み合わせる「Live Avatar」を企業向けに発表した。音声と口の動きを同期し、表情を伴って話す。相手の言葉だけでなく、見聞きした情報を扱いながら対話する仕組みだ。
公式発表は、97言語に対応し、会話の途中の言語切り替えにも表情やリップシンクが追従すると説明する。音声だけの窓口に顔が加わると、便利さだけでなく、利用者が待ち時間や応対の状態をどう受け取るかも変わる。
裏の処理を続けながら、会話を止めない
機能の一つは非同期のツール呼び出しだ。予約情報などを取得する処理を裏で進めながら、相手との会話を続ける。発表ではホテルのチェックインなどが例示された。画面の人物が突然静止したように見える時間を減らす狙いが読み取れる。
以下は編集部の考察だ。自然な応対を作れても、処理が完了する前に結果を確定したように話してはいけない。空室を確認している間の会話と、予約が成立したとの案内は別の状態である。利用者へ待つ理由を説明し、完了した操作を明確に伝える設計が必要だ。
話し続けることが常に正解でもない。聞き取りにくい場所や、利用者が考えている場面では、発話を控えるほうが役立つことがある。対話の自然さは、映像の滑らかさだけでなく、割り込みや沈黙をどう扱うかでも決まる。
映像を加えた費用は、音声だけとは違う
イノベトピアの解説は、映像出力の単価と秒当たりのトークン数から、60秒話し続ける場合の出力分を約0.37ドル、音声分を約0.02ドルと試算した。入力や履歴などを含まない部分的な計算であり、会話1分の請求総額ではない。
映像は話す時間、音声や履歴は別の条件でも費用が発生するため、実際の見積もりには会話の内訳が要る。公式の料金表とモデルの仕様を合わせて、平均の対話時間、待機時間、ツール呼び出し、再接続を含めて計算したい。
導入先が受付なら、利用者一人の平均時間だけでなく、混雑時の同時接続も重要になる。短い会話が多数重なる構成と、一人が長く相談する構成では、必要な容量も費用も違う。端末を置いたことだけで利用規模を推定しないほうがよい。
既製アバターと独自の人物像を分ける
Googleは既製のアバターを提供する一方、参照画像から独自のアバターを作る機能は、企業向けの許可制としている。設定資料では、素材の権利や同意を含めた条件を確認する必要がある。
元記事がコンソールで確認した顔や声の数は、その筆者の当時の環境の記録だ。本稿で同じ操作を試した結果ではなく、現在の全利用者に共通する在庫数としては扱わない。機能が発表されていることと、自分の契約でアップロードできることも別である。
顔と声を組み合わせると、相手が実在の担当者だと受け取る可能性がある。架空の案内役でも、AIであること、できること、担当者へ引き継ぐ方法を見える場所に示す意義が増す。音声と映像に入るSynthIDも、利用者へ説明する責任の代わりにはならない。
日本の窓口では、言語数より仕事の完了を試す
97言語への対応は多言語接客の入口になるが、日本の施設での使いやすさをそれだけで判断することはできない。通信の遅延、騒音、地名や人名の読み取り、予約の変更や取り消しなどを、実際の流れで確かめる必要がある。
編集部としては、まず案内だけの用途と、予約や決済を伴う用途を分けることを勧めたい。案内を誤ったときに訂正できるか、本人確認が必要な段階で止まるか、人の担当者へ履歴を渡せるかを確認する。見た目の親しみやすさと、操作権限は比例させなくてよい。
また、音声や顔の映像をどこへ送り、どの記録を保存するかを決める。一般提供という言葉だけで、日本のリージョンや自社の情報管理要件を満たすとは限らない。顔のあるAI窓口を作る仕事は、生成映像の導入と同時に、説明、停止、引き継ぎを設計する仕事になる。
確認日：2026年10月18日。本稿は公開資料の確認による解説で、Gemini APIによる生成・実験は行っていない。運営会社：RO合同会社の公式HP。
PR
Notta →
