Googleは2026年9月15日に2つの新しい音声対音声モデルをリリースし、Hacker Newsのスレッドは1日で337ポイントを獲得しました。これは音声APIのローンチとしては大きな反響であり、議論のほとんどはデモビデオについてではありませんでした。開発者たちは同じ質問を投げかけていました。「これで構築するにはいくらかかるのか、そして実際にどうやって接続するのか？」
これはそのガイドです。gemini-3.8-liveとgemini-3.8-live-extended-thinkingは、Gemini APIとGoogle AI Studioで現在展開されており、Gemini EnterpriseとSearch Liveはプライベートプレビューでアクセスできます。どちらのモデルも、有料ティアでトークンごとおよび分ごとの料金が適用される上に、無料の入出力トークンを利用できます。これはライブオーディオモデルとしては異例であるため、料金ページだけでなく、WebSocketセッション自体を詳しく見ていく価値があります。私たちは以前、コンシューマー向け音声アシスタントをGPT-Live vs Gemini Liveで比較しました。この記事は、その比較の一方の側にあるAPIへの開発者向けの道筋を示すものです。
9月15日に実際にリリースされたもの
Googleの発表には2つのモデルが含まれています。gemini-3.8-liveは標準の音声対音声モデルです。gemini-3.8-live-extended-thinkingは、モデルが話している間に動作する推論レイヤーを追加します（下記参照）。両方とも、会話の途中で自動言語切り替えをサポートする97言語に対応しており、発信者が英語で文を始めても、手動で言語フラグを設定することなくスペイン語で終えることができます。
リリース時の提供状況：Gemini APIとGoogle AI Studio（一般公開）、加えてGemini EnterpriseとSearch Live（プライベートプレビュー。そのため、この記事を読んでいるほとんどの開発者はAPIまたはAI Studioから始めることになるでしょう）。無料トークンは、両モデルの入力と出力の両方に適用されるため、クレジットカードに触れる前に実際のプロトタイプを手の届く範囲に置くことができます。
Googleがまだ公開していない詳細が1つあります。2つのLiveモデルの無料ティアのレート制限です。レート制限ページにそれらが記載されれば、それが信頼できる情報源となります。それまでは、他の場所で見るいかなる数値も、自分でそこで確認するまでは未確認として扱ってください。
Search LiveとGemini Enterpriseへのアクセスが、APIのように公開されておらず、プライベートプレビューのみであることは、読み取るべきシグナルです。Googleは、同じモデルを消費者向け検索や有料のエンタープライズシートにコミットする前に、開発者がこれを使って本番環境に近い方法で構築することに抵抗がないということです。これは音声モデルの展開としては通常のことですが、現時点ではAPIが安定した出発点であり、後で登場するより良い消費者体験の簡略版プレビューではないことを意味します。
無料APIキーを取得してセッションを開く
Gemini APIキーはGoogleアカウントに紐付けられ、Google AI Studioから取得します。無料ティアには別途承認ステップがないため、Liveモデルがリリースされたその日から利用できます。キーを取得したら、接続点はRESTエンドポイントではなくWebSocketです。これはgenerateContent呼び出しに慣れている人にとっては最初の調整点となるでしょう。
wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent
このURLは、サイモン・ウィリソンのリリース当日のハンズオン記事に由来し、彼の新しいAPIに対するいつもの詳細な解説とともに公開されました。彼はまた、これに基づいてUIを構築する前に知っておくべきこととして、次のような点を指摘しています。人間が話しているのを遮るのと同じように、モデルの応答中に割り込むことができ、返ってくるトランスクリプトには、モデルが生成を開始したものの、割り込みによって再生が中断されたために最後まで再生されなかった音声が含まれる可能性があります。これを、すべてのトランスクリプト行が完全に聞かれたと仮定するのではなく、クライアントで個別の状態として処理してください。
そのソケットを介した双方向セッションは、すべてのWebSocketベースのストリーミングAPIが使用する形式に従います。まず、モデルとその生成設定を識別するセットアップメッセージを送信し、次にオーディオチャンクまたはテキストをいずれかの方向に運ぶコンテンツメッセージのストリームが続き、サーバーは準備が整い次第、部分的な応答セグメントと最終的な応答セグメントを返します。正確なメッセージスキーマはGoogleが正確に文書化するものであり、プレビュー版と一般公開版の間で変更される可能性があるため、本番クライアントにコミットする前に、ライブのGemini APIドキュメントとSDKのリファレンスでフィールド名を確認してください。安定しているのは、接続し、セットアップを送信し、コンテンツをストリーミングし、ストリーミングされた応答を読み取り、割り込みをエラーケースではなく通常のイベントとして予期するというパターンです。
実用的に言えば、最初の作業セッションでは可能な限り最小限のループを目指すべきです。ソケットを開き、使用したいモデル（gemini-3.8-liveまたはgemini-3.8-live-extended-thinking）を指定するセットアップメッセージを1つ送信し、短いオーディオまたはテキストを1回送信し、リトライロジック、再接続処理、またはUIを追加する前にストリーム応答が返ってくることを確認します。割り込み経路は、正常な経路が機能してから2番目に構築してください。なぜなら、適切にテストするには、意図的にモデルの応答中に話し始め、クライアントが中断されたトランスクリプトを完了したターンとして扱うのではなく、正しくマークしていることを確認する必要があるからです。
Extended thinking: 推論が声に出る時
標準のgemini-3.8-liveモデルは直接応答します。gemini-3.8-live-extended-thinkingは異なります。Googleによると、モデルが動作している間の無音状態を「確認します」といった音声キューで埋めることで、「推論と発話を同時に行い」、同社が「途切れない会話の流れ」と呼ぶものを維持します。
これは特定の種類のアプリケーション、つまり会話中にツールを呼び出したり、外部APIにアクセスしたりする音声エージェントにとって重要です。extended-thinkingモデルは「会話を続けながらバックグラウンドでツールやAPI呼び出しを実行し」、両モデルで関数呼び出しがサポートされています。カレンダーAPIで空き状況を確認する必要がある予約エージェントを想像してください。検索が実行されている間、2秒間沈黙する代わりに、モデルはリクエストを声に出して認識し、その背後で呼び出しが完了する間もやり取りを続けることができます。
ツール呼び出し、多段階のルックアップ、または無音のギャップがあると途切れているように感じるような推論が多い応答をセッションに含める場合は、extended thinkingを選択してください。推論のオーバーヘッドが必要ない、より短く低遅延なやり取りには、標準モデルを選択してください。どちらもトークンあたりのコストは同じなので、選択は予算ではなく動作に関するものです。特にエージェントが関数呼び出しに依存している場合、当社のGemini 3.8 Flash向け関数呼び出しガイドは、現在のGemini 3.8ファミリー全体でGoogleが使用するリクエスト形式をカバーしていますが、テキストと音声APIがスキーマを共有することを保証されているわけではないため、リリース前にLive固有の関数呼び出しペイロードをLive APIドキュメントで確認してください。
費用、内訳
| タイプ | 料金 |
|---|---|
| テキスト入力 | 1Mトークンあたり$0.75 |
| 音声入力 | 1Mトークンあたり$3.00、または1分あたり$0.005 |
| 画像/動画入力 | 1Mトークンあたり$1.00、または1分あたり$0.002 |
| テキスト出力 | 1Mトークンあたり$4.50 |
| 音声出力 | 1Mトークンあたり$12.00、または1分あたり$0.018 |
思考トークンは、他のすべてのGemini 3.xモデルと同様に出力として課金されるため、extended thinkingのバックグラウンド推論は、個別の料金としてではなく出力行に表示されます。
計算例：有料標準ティアでの10分間の音声通話（常に音声入出力がある場合）。音声入力：10分 x $0.005 = $0.05。音声出力：10分 x $0.018 = $0.18。合計：10分間の完全なやり取りで$0.23。これにテキストやツール呼び出しのトークンが加算される前の料金です。プロトタイピング中に同じ通話を無料ティアで実行すると、Googleが最終的に公開するレート制限に従い、トークンコストはゼロになります。
同じ料金ページにあるgemini-3.1-flash-live-previewモデルは、両方の新しいLiveモデルと同じ料金設定であるため、その古いモデルでLive統合を既に持っている場合は確認する価値があります。料金決定が移行を躊躇する理由にはなりません。
これまでの開発者の声
Hacker Newsの議論は、一様に肯定的というわけではありません。繰り返される不満は、有料のGoogle WorkspaceおよびGoogle AI Plusの購読者が、支払いをしているにもかかわらず、まだ新しいLiveエクスペリエンスへの消費者アクセスを持っていない一方で、APIとAI Studioへのアクセスは公開されているというものです。スレッドからの報告の1つは、モデルが元のタスクの一部ではない追加要件を考案するエージェント的なループを記述しており、人間が介入する音声アシスタントではなく自律型エージェントにLiveを組み込む場合には、特にテストする価値のある障害モードです。監督付きアシスタントよりも自律ループに近いものを構築している場合は、モデルが主張する要件を額面通りに信頼するのではなく、与えられたタスク定義と比較する明示的なチェックを追加してください。これらの点は両方とも、検証済みの欠陥報告ではなく、単一のスレッドからの初日のシグナルとして扱い、それらから一般化する前に自身のユースケースで再テストしてください。
クライアントコードを書く前に生プロトコルを確認する
クライアントライブラリにコミットする前に、実際にワイヤ上を行き交うフレームを見ることは役立ちます。Apidogは、BidiGenerateContentエンドポイントへのWebSocket接続を開き、JSONセットアップメッセージとそれに続くコンテンツメッセージを手動で送信し、リアルタイムでストリーミングされるフレームを表示できます。これは、SDKコードを1行も書く前にセットアップとストリームのパターンを理解する最速の方法です。Apidogはマイクオーディオをキャプチャしません。オーディオまたはテキストのペイロードは自分で提供し、接続を使用してサーバーが何を返すかを確認し、セットアップメッセージが受け入れられたことを確認し、本番環境でエラー処理を構築する前に割り込みがどのように機能するかを観察します。この方法でWebSocket APIを構築およびテストするための完全なプロトコルリファレンスはdocs.apidog.comにあります。Apidogをダウンロードして、最初のクライアント構築の前に自分で接続を試してみてください。
比較のために、当社のWebSocket vs WebRTCの解説では、Googleがこの双方向ストリームにWebRTCではなくWebSocketを選択した理由と、そのトレードオフが特にブラウザクライアントにとって何を意味するのかを説明しています。
よくある質問
Gemini 3.8 Live APIは無料ですか？ はい、両モデルとも、無料ティアでは入出力トークンが無料です。Googleが設定するレート制限を超えると有料の標準料金が適用されますが、その無料ティアの制限はまだ公開されていないため、レート制限ページで直接確認してください。
2つの新しいモデルの違いは何ですか？ gemini-3.8-liveは直接応答します。gemini-3.8-live-extended-thinkingは、話しながら推論し、バックグラウンドのツール呼び出しや多段階のルックアップを補うために音声フィラーを使用します。トークン価格は同じです。
これを使用するためにWebRTCが必要ですか？ いいえ。このAPIはWebSocketベースで、WebRTCピア接続ではなくBidiGenerateContentエンドポイントに接続します。
クライアントを記述せずにこれをテストできますか？ はい。ApidogでWebSocketを開き、セットアップメッセージとコンテンツメッセージを手動で送信し、実際のクライアントを構築する前にストリーミングされた応答を読み取ることができます。