Google、Gemini Live APIに非同期関数呼び出しやコンテキスト注入などの新機能を追加

何が発表されたのか

Googleは開発者向け公式YouTubeチャンネル「Google for Developers」において、音声によるリアルタイム双方向通信を支える「Gemini Live API」のメジャーアップデートを発表しました。解説を務めるのは、同社のデベロッパーアドボケイトであるトール・シェフ（Thor Schaeff）氏です。

今回の発表は、既存のGemini Live APIに対する機能拡張に位置づけられます。具体的には、音声対話の応答性を極限まで高めるための「非同期関数呼び出し（async function calling）」、AI側から適切なタイミングで話しかける「プロアクティブ・オーディオ（Proactive Audio）」、動的に文脈を流し込む「sendClientContent」のサポート、そして音声対話の裏側で高度な論理思考を実行する「フロンティア・レベルのバックグラウンド推論（frontier-level background reasoning）」の4点が公開されました。本機能群は開発者向けのプレビュー、および一部の環境で一般提供（GA）が開始されています。

発表された機能・アップデートの全容

非同期関数呼び出しによる実行速度の向上

従来のAPIでは、関数呼び出し（Function Calling）を実行する際、モデルはその処理が完了して結果が返ってくるまで、次の発話や処理を一時停止する必要がありました。これに対し、今回導入された非同期関数呼び出し（async function calling）は、APIの実行リクエストをバックグラウンドで処理させながら、ユーザーとの音声対話を継続することを可能にします。デモ画面では、ユーザーが「注文番号1234XYZの状況を調べてください」と発話した直後に、システム側が「状況を確認します」と応答し、裏側でデータベースへの問い合わせ処理が走る様子が示されました。この間、ユーザーとAIの会話は途切れることがなく、システム設計の自由度が大幅に向上します。

必要な時だけ発話するプロアクティブ・オーディオ

プロアクティブ・オーディオ（Proactive Audio）は、音声アシスタントが常に受け身で応答するのではなく、システム側のイベントや処理の進捗状況に応じて、自発的に発話を開始する機能です。デモでは、バックグラウンドでの注文情報の検索処理が完了した瞬間、AIが「お待たせしました。結果の準備ができました」と自ら発話を開始しました。画面上のログには、get_order という関数が呼び出され、ステータスが「shipped（出荷済み）」、配達予定日が「2026年8月11日」であることを示すJSONデータが返ってきたタイミングで、AIが音声出力を生成したプロセスが明確に記録されています。これにより、人間同士の自然な会話に近い、主体性のある音声対話アプリが構築可能になります。

リアルタイムのコンテキスト注入を可能にするsendClientContent

セッションの途中で、外部システムから得られた最新のデータやユーザーの行動履歴などのコンテキストを、対話を中断することなくAPIに注入する仕組みが「sendClientContent」です。このAPIを呼び出すことで、開発者はユーザーが現在見ているウェブ画面の情報や、スマートデバイスのセンサー情報などをリアルタイムにGeminiに送信できます。動画内では、この仕組みを活用して、ユーザーの明示的な音声指示を待つことなく、AIが背後で最新のコンテキスト情報を把握し、より的確な状況判断や提案を行う様子が紹介されました。

ネイティブ音声と高度な推論モデルの融合

今回のアップデートにおける最大の技術的ブレイクスルーは、音声対話の裏側で「高度な推論モデル（max high reasoning model）」を稼働させ、ネイティブ音声と推論機能を同時に処理できるようになった点です。デモでは、トール・シェフ氏が「自転車に乗るペリカンのSVGを描画してほしい」と指示しました。最初の標準的なモデルが生成したSVGコードは、解釈の余地があるものの、お世辞にも完成度が高いとは言えない簡易的なイラストでした。そこでシェフ氏は、モデルを「max high reasoning model」へと切り替え、再度同じ指示を出しました。モデルは複雑なSVGのコード生成という重い推論処理をバックグラウンドで進めながら、音声では「描画を待つ間、おしゃべりをしましょうか」と提案し、雑談に応じる器用さを見せました。最終的に出力されたSVG画像は、ヘルメットを着用し、赤い自転車に乗り、首にマフラーを巻いた非常に精緻なペリカンのベクターグラフィックであり、推論性能の劇的な向上が視覚的に証明されました。