GoogleのAIアバターが一般提供　接客AIは「声」から顔つきへ

画面の中のAIが、声だけでなく表情を持つ

Googleは9月24日、Gemini 3.8 Live with Live AvatarをGemini Enterpriseで一般提供しました。音声で受け答えするGeminiに、発話と同期した口元、表情、映像を加え、Web、スマートフォン、店頭端末で対話できる企業向け機能です。Google Cloud Next 2026での予告から、本番環境で使える段階へ進みました。

目新しさは「AIに顔がついた」ことだけではありません。利用者が話している間も映像と音声を処理し、AIは回答しながら裏側で検索や予約などのツールを動かせます。ホテルのチェックイン、商品の案内、顧客サポートのように、会話を止めずに別の処理を進める設計です。

Live Avatarは、聞き、見て、話す対話へ、ほぼリアルタイムの視覚的な存在感を加える。

出典：Google公式発表を編集部訳

音声と映像を一体で動かすAIは、電話や文字チャットより説明を伝えやすくなる可能性があります。一方、顔があるだけで回答の正しさが上がるわけではありません。編集部は、接客AIの競争軸が応答速度から、表情、言語、業務実行を含む体験全体へ移った発表だとみます。

97言語と非同期処理が、窓口の役割を広げる

Googleによると、Live Avatarは97言語を扱い、会話の途中で言語が変わっても口の動きと表情を合わせます。あらかじめ用意されたアバターに加え、1枚の参照画像から企業専用の見た目を作る機能もあります。ただし専用アバターは現時点で企業向けの許可制です。

企業が注目したいのは、非同期のツール実行です。従来の音声AIは外部システムを呼ぶたびに沈黙しやすく、待ち時間が会話を不自然にしました。今回の仕組みでは、AIが対話を続けながら裏で情報を取得できます。予約状況を調べつつ必要事項を聞く、在庫を確認しながら代替品を説明する、といった流れを作りやすくなります。

一般提供の対象はGemini Enterpriseで、Google Cloudは米国とEUのエンドポイント、企業向けコンプライアンス、データ統制、予約型の処理能力を案内しています。日本語を扱えることと、日本国内リージョンで同じ条件を使えることは別です。国内導入ではデータの保存場所、販売窓口、契約条件を個別に確認する必要があります。

料金は「会話時間」より実際に話した長さで動く

料金表では、Gemini 3.8 Live APIの動画アバター出力は100万トークン当たり1ドルです。動画は1秒当たり6192トークンに換算され、アバターが話している時間だけ課金されます。単純計算では、映像の発話1分が約0.37ドルです。これに音声入出力、文字、画像、ツール側の費用が加わります。

したがって、店頭で8時間待機させること自体より、長い説明を何回返すかが動画費用を左右します。さらに会話履歴は各ターンで再処理されるため、長い対話ほど文脈の課金も積み上がります。月額ライセンスだけで予算を決めず、1件の案内を完了するまでの発話秒数、ターン数、外部ツール呼び出しを測るほうが現実的です。

顔を使うなら、回答精度より前に権利を決める

人らしい見た目は親しみを生む一方、本人の発言と誤解される危険も増やします。Googleは、企業のアバター例として、利用許可を得た社員や、契約と肖像利用の同意を済ませた出演者を挙げています。生成物には音声と映像へSynthIDの透かしを入れ、AI生成だと検出できるようにすると説明しました。

試すなら、実在の社員そっくりの顔から始めないほうが安全です。権利関係が明確な架空キャラクターを使い、画面上でAIだと表示し、注文確定、契約、医療・金融判断の前では人へ切り替えます。外部システムへ書き込める権限も、在庫の閲覧と予約の確定を分けるべきです。

すべての出力はSynthIDで透かし処理され、AI生成コンテンツを検出できるようにする。

出典：Google公式発表を編集部訳

今後、顔つきAIが文字や電話より高い解決率を出し、費用と誤案内を抑えられれば、受付、案内、研修の標準画面になるでしょう。反対に、見た目の信頼感だけが先行し、回答精度、人への切り替え、肖像管理が追いつかなければ、本番利用は限定的になります。企業が最初に比べるべきなのは「人間らしく見えるか」ではなく、同じ用件を最後まで安全に終えられるかです。