音声で話しかけるAIに、顔がつくと何が変わるのか。正直に言えば、これまではあまり興味がなかった。声だけで十分に用は足りるし、顔がつけば料金が跳ね上がるだろうと思っていたからです。
Googleが2026年9月24日に出した「Gemini 3.8 Live with Live Avatar」は、その料金の部分がはっきり書かれていました。計算してみると、思っていたより安い。ただし、使える場面はかなり限られる。公式の発表、料金表、モデルカードを読んで整理します。
Gemini 3.8 Live Avatarとは
リアルタイムで会話するGeminiに、動く人物の映像をつけたものです。こちらが話すと、画面の中の人物が口を動かして答える。Googleは「ほぼリアルタイムの映像生成と音声」を組み合わせた、と説明しています。
発表に書かれていた主な機能はこのあたり。
- 声と映像を同時に受け取って理解する
- 口の動きを音声に合わせ、表情もつける
- 会話を止めずに、裏でツールを呼び出す
- 相づちや話者交代を自然に行う
対応言語は97。言語を切り替えても映像の質を落とさない、とされています。97言語の内訳は発表には載っておらず、日本語での口の動きがどの程度自然なのか。そこは確かめられていない。
どこで使えるのか
発表では、企業向けの「Gemini Enterprise」で提供を始めたとあります。開発者はGoogle Cloudの「Agent Platform Studio」から試せて、Live APIのドキュメントにアバターの設定方法が載っている。一般の人がGeminiアプリで顔つきのAIと話す、という発表ではない点に注意。
モデルカードを読むと、Gemini 3.8のLive系モデルそのものはGemini API、Geminiアプリ、Google AI Studioなどでも配布されています。アバターをどの窓口で使えるかは、現時点ではAgent Platform経由と考えておくのが無難でしょう。
料金を1分あたりに直すと
Google Cloudの料金表には、Gemini 3.8 Live APIの単価がこう載っていました（100万トークンあたり）。
| 種類 | 単価（100万トークンあたり） |
|---|---|
| 入力：テキスト | 0.75ドル |
| 入力：映像・画像 | 1.00ドル |
| 入力：音声 | 3.00ドル |
| 出力：テキスト（思考を含む） | 4.50ドル |
| 出力：音声 | 12.00ドル |
| 出力：映像（アバター） | 1.00ドル |
トークンと言われても、会話の長さとは結びつかない。料金表の下に換算の目安があって、音声は1秒25トークン、アバターの映像は1秒6,192トークン。これを使えば1分あたりの金額が出せる。
アバターの映像は、1分で37万1,520トークン。1ドルあたり100万トークンなので約0.37ドルです。1ドル157.12円で約58円。声の出力が1分で約2.8円、利用者の声を聞き取る側が約0.7円。
ひとつ大事な条件がある。映像の料金はアバターが話している間だけかかり、黙って聞いている時間は請求されない、と料金表に明記されている。
仮に3分の問い合わせで、利用者とアバターが半分ずつ話すとします。アバターが話すのは90秒なので、映像・音声・聞き取りを合わせて約0.59ドル、約93円。1,000件で9万3,000円ほどです。テキストの応答や、思考に使うトークンは別料金。
この金額を高いと見るか安いと見るかは、比べる相手次第でしょう。人が対応する窓口と比べれば安い。声だけのAIと比べれば、映像のぶん17倍ほどに膨らみます。顔をつけた分だけ問い合わせの満足度が上がるのか、そこはまだ誰も数字を出していないはずです。
APIの料金の読み方はAIのAPI料金の読み方で、トークンの考え方はトークンとはで整理しています。
数分しか続かない、という注意点
モデルカードに、気になる一文がありました。アバター版は「数時間ではなく、数分間の連続した会話」に対応する、というものです。
受付や案内のような短いやりとりなら問題なし。研修の相手役や、長い相談を最後まで任せる使い方は、今の段階では向かない。
モデルカードには、ほかにも制限が並ぶ。
- 知識の締め切りは2025年1月
- 文脈は12万8,000トークン。アバターありの出力は2万4,000トークンまで
- ほかの生成AIと同じく、事実と違うことを言う場合がある
- ときどき遅くなったり、途中で切れたりすることがある
知識が2025年1月で止まっているのは、窓口に置くなら見逃せない点です。自社の最新の料金や手続きを答えさせるなら、ツール呼び出しで社内の情報を引かせる仕組みが要ります。RAGとはで書いた考え方がそのまま当てはまるでしょう。
顔を作れることの危うさ
参照画像から独自のアバターを作ることもできます。発表には、その場合も本人性を尊重するための安全策がある、と書かれていました。具体的に何を確かめるのか、たとえば本人の同意をどう確認するのかまでは読み取れなかった。
出力される映像と音声には、Googleの電子透かし「SynthID」が埋め込まれる。見た目や聞こえ方は変わらず、あとから機械で判定できる仕組みです。透かしの考え方と限界はAIが書いた文章は見分けられるかで扱いました。映像でも、透かしがあるから安心、とは言い切れないと思っています。見る人は透かしを確認しないからです。
実在の人の顔で勝手にアバターを作るのは、規約以前に肖像の問題です。会社の窓口に社員の顔を使うなら、本人の同意を書面で取っておくくらいの慎重さはあってよいはずです。
顔つきのAIが窓口に立つ日が来るのか。1分58円という数字を見ると、コストの壁はもうほとんどない気がしています。残っているのは、数分で切れる制限と、顔を向けられた側がそれをどう受け取るか、のほうでしょう。
出典
すべて2026年9月30日に確認したものです。
- Gemini 3.8 Live with Live Avatar（Google・2026年9月24日）
- Agent Platform Pricing（Google Cloud）
- Gemini 3.8 Audio Model Card（Google DeepMind）
- Live API（Google Cloud ドキュメント）
為替は1ドル157.12円（2026年9月30日時点）で換算しています。
