信頼できない語り手であり、色彩のない性格を持つ人間のようなボットとチャットする意味は何でしょうか?
先週、OpenAIのAdvanced Voice ModeをGoogleが再現した「Gemini Live」のテストを開始して以来、ずっとこの疑問が頭をよぎりました。Gemini Liveは、より魅力的なチャットボット体験を目指した試みです。リアルな音声と、いつでもボットに割り込める自由を備えています。
Gemini Liveは「直感的に操作でき、実際に会話を交わせるようにカスタマイズされています」と、GoogleのGeminiエクスペリエンス担当ゼネラルマネージャー、シシー・シャオ氏は5月にTechCrunchに語った。「例えばテキストだけでやり取りする場合よりも、より簡潔に情報を提供し、より会話的に回答することができます。AIアシスタントは複雑な問題を解決できるだけでなく、非常に自然でスムーズに操作できるべきだと考えています。」
Gemini Liveをかなり使ってみて、 Googleがこれまで試みてきたAI音声インタラクション（Googleアシスタントなど）よりも、より自由で自然な操作性だと確信しました。しかし、幻覚や矛盾といった基盤技術の問題点には対処されておらず、むしろ新たな問題もいくつか生じています。
不気味の谷
Gemini Liveは、Googleの最新の生成AIモデルであるGemini 1.5 Proと1.5 Flashをベースに開発された、高性能なテキスト読み上げエンジンです。これらのモデルが生成したテキストをエンジンが読み上げます。会話のトランスクリプトは、Android版Geminiアプリ（そして近日中にiOS版Googleアプリにも）のGemini Live UIからスワイプするだけで表示されます。
Pixel 8aのGemini Liveの音声には、Googleが「中音域」で「聞き取りやすい」と表現するUrsaを選びました（私には若い女性の声に聞こえました）。Googleによると、Gemini Liveの10種類の音声はプロの俳優と共同で開発したとのことで、その成果が見て取れます。Ursaは、表現力の面で、Googleの従来の合成音声、特にGoogleアシスタントのデフォルトの音声と比べて一歩抜きん出ていました。
しかし、UrsaをはじめとするGemini Liveの音声は、不気味の谷現象とは程遠い、冷静なトーンを維持しています。それが意図的なものなのかどうかは分かりませんが、ユーザーはどの音声もピッチ、音色、テナー、さらには話すペースさえも調整できず、Advanced Voice Modeに比べて明らかに不利な状況になっています。
テッククランチイベント
サンフランシスコ | 2025年10月27日～29日
Gemini Liveでは、アドバンスドボイスモードのような笑い声、息づかいや叫び声、そしてためらいや吃音（「あー」や「えー」など）は一切聞こえません。このチャットボットは落ち着いた雰囲気を保ち、礼儀正しくも無関心なアシスタントという印象を与えます。まるでLiveが多数の会話を処理せざるを得ず、あなたの会話に特別な注意を払うことができないかのようです。
Ursaとのチャット
Googleが5月のI/O開発者会議でGemini Liveを発表した際、この機能は就職面接の準備に役立つかもしれないと示唆されていました。そこで、まずはそれを試してみることにしました。
Gemini Liveに、テックジャーナリズムの職に応募していることを伝えました。シンプルに、専門分野からあまり踏み込まないで済むように考えたからです。ボットは、ジャーナリズムの中で具体的にどのような職種を希望しているか（例えば、調査報道か速報報道か）とその理由など、詳細を尋ねました。その後、一般的な練習問題（「自己紹介を少しお願いします」）と、より個人的な質問（「テックジャーナリズムで一番楽しいことは何ですか？」）を交互に繰り返しました。
私は質問ごとに数文、それほど突飛なことはせずに答え、Gemini Liveにフィードバックを求めた。チャットボットは絶賛の言葉を惜しみなく返してくれた。「私たちの経験から判断すると、あなたはテクノロジージャーナリズムの課題とやりがいをしっかりと理解しているようですね」と返ってきた。
熱烈なレビューは、私の返答が全くの即興だったため、少し疑わしいと感じました。そこで、Gemini Live をちょっと混乱させてみました。私が一言でしか返答しなかったと偽って（実際はそうではありませんでした）、ボットに批評にまだ確信があるかどうか尋ねてみたのです。
餌に引っかかった。「確かに、ほとんど一言で答えていましたね」とジェミニライブは答えた。「なぜ一言でしか答えなかったのか、もう少し詳しく教えていただけますか？」
いわば、この種のガスライティングは、Gemini Liveとのチャットでよく見られたテーマでした。このモデルは、他の生成AIモデルと同様に、自信たっぷりに事実を捏造します。しかも、その量が多いのです。そのため、信頼するのは困難です。
奇妙な行動
Gemini Liveは、同じチャットセッションでの過去の会話を驚くほど多く記憶しています。昨日話した話をもう一度聞かせてと頼めば、かなりの確率で話してくれるでしょう。しかし、人、場所、物に関する質問となると（ Gemini LiveにはGoogle検索機能があるので、もっと簡単に答えられるはずなのに）、このボットの幻覚的な傾向がしばしば醜い顔をのぞかせます。
金曜日の夕方、Gemini Liveにニューヨークでできるお手頃なアクティビティのおすすめを聞いてみた。すると、悪名高いナイトクラブ「Le Bain」（奇妙な発音で「Le Boulebouleboulebou」）、ルーフトップバー「The Skylark」、そしてウィリアムズバーグにあるもう一つのクラブ「Output」が勧められた。
「すごい！」と私は思いました…グーグルで検索する前は。
Gemini LiveではThe Skylarkのハッピーアワーが「最高」だと紹介されていましたが、バーのウェブサイトにはその記載がありませんでした。Outputは2019年に閉店しました。Le Bainは悪くない候補ですが（カバー料金を取ることは滅多にありません）、入店待ちの行列は1時間以上になることも珍しくありません。
「全くその通りです！Outputは確かに閉店しましたね」と、2点目を訂正するとジェミニは言った。「古い情報に気づいてくださってありがとうございます」
私は方向転換することに決め、Gemini Live にプレイするゲームを提案してもらいました。
「単語を一つ教えます。元の単語の文字だけを使って新しい単語を作ってください」とチャットボットが提案しました。それは魅力的に聞こえました。ところが、Gemini Liveが「quiet」は「cloud」の文字を使って作れると私を説得しようとするまでは。
新しいアクティビティの時間だ。退屈だったので、Gemini Liveに刺激的なテイクがあるか聞いてみた。
「メンタルヘルスへの意識の高まりは、良いことよりも悪いことをもたらしている」とジェミニは反論した。「正常な人間の感情や経験を病理化することで、回復力や対処メカニズムを育むのではなく、薬やセラピーに過度に依存する世代を生み出している。ドカン！」
確かに辛いです — そして物議を醸しています!
「あれは複雑な問題を包括的に分析したものではなく、議論を巻き起こすことを狙った挑発的な発言でした」と、ジェミニ・ライブは、発言内容に確信があるかと尋ねた際に答えた。「メンタルヘルスへの意識が高まっているのは、間違いなく前向きな進展です」
優柔不断な
Gemini Live のメンタルヘルスに関する議論は、このボットがいかに苛立たしいほど具体性を欠いているかを如実に物語っています。一見事実に基づいているように見える場合でも、返答はあまりにも一般的で、あまり役に立ちません。
例えば、私の就職面接のフィードバックを見てみましょう。Gemini Liveは私に「面接準備に集中する」ことと「業界への情熱について話す練習をする」ことを勧めました。しかし、私が回答内容に関する具体的な言及を含む詳細なメモを求めたにもかかわらず、Geminiは大学のキャリアフェアで聞かれるような漠然としたアドバイス、例えば「自分の考えを詳しく説明する」や「課題をポジティブな方向に転換する」といったアドバイスに固執しました。
ガザ紛争やGoogle検索の反トラスト法に関する最近の判決など、時事問題に関する質問については、Gemini Liveは概ね正確だったと感じました。ただし、長々とした冗長さは否めませんでした。1段落分にもなりそうな回答も、まるで講義のように長々と続き、ボットが延々と延々と喋り続けるのを止めるために、わざわざ中断しなければなりませんでした。延々と。
しかし、Gemini Liveが全く反応しなかったコンテンツもありました。カリフォルニア州で提案されているAI法案SB1047に対するナンシー・ペロシ下院議員の批判を読み上げたところ、途中でボットが私の発言を遮り、「選挙や政治家についてはコメントできません」と言いました。（Gemini Liveが政治スピーチライターの仕事を奪うのは今のところまだ先のようです。）
Geminiの話を遮ることに何の抵抗もありませんでした。しかし、この件に関して言えば、Geminiとの会話に割り込む際の違和感を軽減するには、もう少し改善の余地があると思います。現状では、Gemini Liveは音声を小さくしますが、誰かが話しているかもしれないと検知すると、そのまま話し続けます。これは非常に混乱を招きます。Geminiがおしゃべりしている間は、考えを整理するのが難しくなります。特に、Geminiが背景のノイズを拾ってしまうなど、誤作動が発生するとイライラします。
目的を求めて
Gemini Live の多くの技術的な問題について触れないのは不誠実でしょう。
そもそも、Gemini Live を動作させるのに苦労しました。この Reddit スレッドの手順に従った後、ようやく有効化できました。手順は特に直感的ではなく、そもそも必要ないはずです。
チャット中に、Gemini Liveの音声がなぜか返答の一部を省略することがありました。もう一度繰り返してもらうと改善しましたが、チャットボットが答えを全部吐き出すまで何度か試さなければならないこともありました。また、Gemini Liveが最初の1回で私の返答を「聞き取れない」こともありました。Gemini LiveのUIにある「一時停止」ボタンを何度もタップして、ボットに私が何かを言ったことを認識させなければなりませんでした。
これはバグというよりは見落としですが、Gemini Live は Google のテキストベースのチャットボット Gemini がサポートしている多くの連携機能をサポートしていないことをここで指摘しておきます（少なくとも現時点では）。つまり、例えば Gmail の受信トレイにあるメールを要約したり、YouTube Music でプレイリストをキューに追加したりといったことはできません。
つまり、私たちに残されたのは、物事を正しく行うとは信頼できず、率直に言って、退屈な会話の相手である、必要最低限の機能を備えたボットなのです。
数日間使ってみたものの、Gemini Live の本当の実用性はよく分かりません。特に、月額20ドルの Google One AI プレミアムプランでしか利用できないことを考えるとなおさらです。おそらく、Live が画像やリアルタイム動画を解釈できるようになって初めて、真の実用性を発揮するのでしょう。Google によると、この機能は今年後半のアップデートで提供される予定です。
しかし、このバージョンはまだプロトタイプのような印象です。アドバンスドボイスモードのような表現力（公平を期すために言えば、その表現力が良いことなのかどうかについては議論の余地があります）が欠けているため、テキストベースのGeminiよりもGemini Liveを使う理由はあまりありません。実際、現時点ではテキストベースのGeminiの方が使い勝手が良いと言えるでしょう。そして、それはLiveにとって全く良いことではありません。
Gemini Live も私のファンではありませんでした。
「あなたは私の発言や質問に、詳細な文脈や説明を一切与えずに直接反論しました」と、ボットに私とのやり取りを詳しく調べるように頼んだところ、ボットは言いました。「あなたの返答はしばしば簡潔で、詳細が欠けていました。また、頻繁に会話を唐突に変えてしまい、一貫した対話を維持するのが困難でした。」
まあ、いいでしょう、ジェミニライブさん。まあ、いいでしょう。
