Gemini Live APIとは｜対応モデル・料金・セッション制限

Gemini Live APIとは、Google AI for Developers公式サイトのGemini APIドキュメントの公式ページに「The Live API enables low-latency, real-time voice and vision interactions with Gemini.」と定義されている機能です。日本語に訳すと「Live APIを使うと、Geminiとの低遅延なリアルタイム音声・映像インタラクションを実現できる」という意味になります（訳は筆者によるもので、原文が正です）。1回のリクエストに対して1回の応答を受け取る通常のGemini APIとは異なり、音声や画像をストリーミングで送り続けながら会話を継続する用途に特化した仕組みです。

この記事では、対応モデル・入出力の仕様・セッション時間の上限・料金という、導入判断に直結する項目を公式ページの文言に沿って整理します。数値や機能の可否は、すべて同じ段落か直前の段落に公式ページのリンクを添えています。取得日は2026年9月26日で、参照した英語版のLive APIページの最終更新表記は「Last updated 2026-09-15 UTC.」でした。

Gemini Live APIとは｜公式定義とできること

Gemini Live APIは、Google AI for Developers公式ドキュメントで「低遅延なリアルタイム音声・映像インタラクションを実現する」機能と定義されている、Gemini APIの一部です。

The Live API enables low-latency, real-time voice and vision interactions with Gemini.

この定義の出典は先ほどの公式ページです。通常のGemini APIとの違いは「接続を維持したまま会話を続ける」という通信方式にあります。テキストを1回送って応答を受け取るリクエスト・レスポンス型のAPIに対し、Live APIは音声や画像を送り続けながら、モデルからの音声応答を受け取り続けるセッション型の通信です。まとめてリクエストを送って結果を後から受け取るGemini Batch APIの使い方｜非同期処理と50%割引の料金とは対照的に、Live APIは常時接続を前提にした同期的な仕組みです。

なお、Live APIはGemini APIというデベロッパー向け製品の機能であり、一般消費者向けのGeminiアプリのサブスクリプションとは別の枠組みです。プラン名で迷いやすい方はGoogle AIプランの違い｜Plus/Pro/Ultraの選び方を先に確認すると、API利用と消費者向けプランの違いが整理しやすくなります。

対応する入出力モダリティ｜音声・画像・テキストの仕様

公式ページによると、Live APIへの入力は音声・画像（JPEG、1秒あたり1フレーム以下）・テキストに対応し、出力は音声のみに対応しています。

公式ページの入力仕様は「Audio (raw 16-bit PCM audio, 16kHz, little-endian), images (JPEG <= 1FPS), text」、出力仕様は「Audio (raw 16-bit PCM audio, 24kHz, little-endian)」と記載されています。日本語にすると、入力は16ビットPCM・16kHz・リトルエンディアンの音声、1秒あたり1フレーム以下のJPEG画像、通常のテキストの3種類で、出力は16ビットPCM・24kHzのリトルエンディアン音声だけです（訳は筆者によるもので、原文が正です）。

この仕様のとおり、Live APIの出力はテキストではなく音声だけです。応答を文字起こしやJSON形式の構造化データとして受け取りたい場合は、Gemini APIの構造化出力とは｜JSONスキーマ指定と使い方で扱っている通常のGemini APIを使う設計のほうが目的に合います。

Live API対応モデル一覧｜主要4モデルの位置づけ

2026年9月時点の公式モデル一覧ページには、Live APIに対応するモデルとしてGemini 3.8 Live・Gemini 3.8 Live Extended Thinking・Gemini 3.1 Flash Live・Gemini 2.5 Flash Liveをはじめとする複数のモデルが掲載されており、本記事では汎用的な音声・映像対話向けの主要4モデルを取り上げます（音声翻訳に特化したGemini 3.5 Live Translateは対象外です）。

公式モデル一覧ページの説明文をそのまま引用すると、Gemini 3.8 Liveは「Default Live API model for most low-latency voice agent experiences」、Gemini 3.8 Live Extended Thinkingは「High-reasoning Live API model for voice interactions」、Gemini 3.1 Flash Liveは「Legacy Live API preview model」、Gemini 2.5 Flash Liveは「Optimized for real-time conversational agents with sub-second」audioと説明されています（訳は筆者によるもので、原文が正です）。

テキスト生成に特化した通常のFlashモデルと混同しやすいので注意してください。テキスト応答が中心のGemini 3.8 Flashとは？できること・制限・旧世代Flashとの違いと、リアルタイム音声対話に特化したGemini 3.8 Liveは、名前は似ていても別のモデル系統です。

モデル別ステータス比較表｜Stable・Previewの違い

4モデルのうちStableはGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingの2つで、Gemini 3.1 Flash LiveとGemini 2.5 Flash Liveはいずれも公式ページ上でPreview表記です。

Gemini 3.1 Flash Liveの説明文は「Legacy Live API preview model」で、legacy（旧世代）かつpreview（試験提供）という2つの位置づけが重なっています。新規に実装するコードベースであれば、公式が「Default」と位置づけているGemini 3.8 Liveを起点に検証し、既存実装がGemini 3.1 Flash Liveやgemini-2.5-flash-native-audio-preview-12-2025に依存している場合は、切り替え時期を公式ページのステータス表記の変化で判断するのが公式の記載に沿った進め方です。動作確認をコマンドラインからすばやく行いたい場合は、Gemini CLIの使い方 インストールから無料枠の現状まで解説で紹介しているツールも参考になります。

セッション時間の上限｜音声のみ15分・音声+映像2分

公式のセッション管理ページには、圧縮を使わない場合、音声のみのセッションは15分、音声と映像を含むセッションは2分が上限になると記載されています。

公式ページには「Without compression, audio-only sessions are limited to 15 minutes」「audio-video sessions are limited to 2 minutes」と明記されています。日本語にすると、圧縮を有効にしない設定のまま使うと、音声だけのセッションは15分、映像を含むセッションは2分で終了する仕様です（訳は筆者によるもので、原文が正です）。

この上限は「圧縮なし」の場合の数値です。長い会話を前提にした設計にするかどうかは、次に説明するコンテキストウィンドウ圧縮を使うかどうかで変わります。

コンテキストウィンドウ圧縮（Context Window Compression）の仕組み

公式ページによると、setup configurationのcontextWindowCompressionフィールドを設定すると、sliding-window方式による圧縮と、圧縮が発動するトークン数を構成できます。

公式ページには「you can enable context window compression by setting the contextWindowCompression field as part of the session configuration. In the ContextWindowCompressionConfig, you can configure a sliding-window mechanism and the number of tokens that triggers compression.」と説明されています（訳は筆者によるもので、原文が正です）。トークン数を抑えるという点ではGemini APIのコンテキストキャッシュとは｜料金・使い方・注意点で扱っているキャッシュの考え方に近く感じられますが、キャッシュは同じ入力を再利用して課金対象のトークン数を抑える仕組み、Context Window Compressionはセッション内の会話履歴そのものを圧縮して制限時間を延ばす仕組みという違いがあります。両者は別の機能として理解しておく必要があります。

セッション再開（Session Resumption）と有効期限

公式ページによると、sessionResumptionを設定するとサーバーがSessionResumptionUpdateメッセージを送り、直前のresumption tokenを使って再接続でき、このトークンはセッション終了から2時間有効です。

公式ページの説明を引用すると「configure the sessionResumption field within the setup configuration. Passing this configuration causes the server to send SessionResumptionUpdate messages, which can be used to resume the session by passing the last resumption token as the SessionResumptionConfig.handle of the subsequent connection. Resumption tokens are valid for 2 hr after the last sessions termination.」とあります（訳は筆者によるもので、原文が正です）。接続が途切れても、この仕組みを実装しておけば、資格情報を保持したまま会話の続きから再開できる設計になります。

料金体系の読み方｜Free tierとPaid tierの違い

公式料金ページのGemini 3.8 Live・Gemini 3.8 Live Extended Thinking・Gemini 3.1 Flash Live Previewをまとめたセクションには、Free tierとPaid tierという2種類の料金体系が並んでいます。

公式料金ページの該当セクションでは、Free tierの表記は「Free of charge」となっています。ただし、この表記が具体的にどの利用形態に適用されるのかを説明する文章は同じセクション内に見当たりませんでした。無料枠の対象範囲や条件は変更される可能性があるため、実装前に公式ページの最新の記載を自分の目で確認することをおすすめします。Gemini API全体の料金の考え方はGemini API料金の読み方2026｜モデル別単価・キャッシュ・無料枠・試算でも整理しているので、あわせて参考にできます。

Paid tier料金表｜テキスト・音声・画像/動画の単価

Paid tierの単価は「per 1M tokens in USD」という単位で表記されており、テキスト・音声・画像/動画で入力単価が異なり、音声と画像/動画にはトークン建てと分建ての2通りの表記が併記されています。

単価の内訳は公式料金ページのGemini 3.8 Live等のセクションに次のように記載されています。

音声と画像/動画は、トークン数に応じた単価と、利用時間（分）に応じた単価のどちらでも計算できる表記になっています。実装するSDKやログの取り方に応じて、どちらの単位で見積もるかを事前に決めておくと料金試算がしやすくなります。

Gemini 2.5 Flash Native Audio（Live API）の料金差

公式料金ページには「Gemini 2.5 Flash Native Audio (Live API)」という独立したセクションもあり、これは先述のモデル一覧表にあるGemini 2.5 Flash Live（gemini-2.5-flash-native-audio-preview-12-2025）と同じモデルで、テキストの単価がGemini 3.8 Liveファミリーより低く設定されています。

公式料金ページの「Gemini 2.5 Flash Native Audio (Live API)」セクションでは、入力が「$0.50 (text) $3.00 (audio / video)」、出力が「$2.00 (text) $12.00 (audio)」と記載されています。Gemini 3.8 Liveファミリーの表と並べると、次のような差になります。

音声の単価は同じですが、テキストの入出力単価はGemini 2.5 Flash Native Audioのほうが低く設定されています。ただし公式モデル一覧ページ側ではこのモデルのステータスがPreviewである点も踏まえたうえで、単価だけでモデルを選ばないようにしてください。

公式に挙げられている活用シーン

公式ページは、Live APIの活用シーンとしてEコマース・小売、ゲーム、次世代インターフェース、ヘルスケア、金融サービス、教育、翻訳・ローカライゼーション、ライブ文字起こし・字幕の各分野を挙げています。

公式ページには、活用シーンの見出しとして「E-commerce and retail」「Gaming」「Next-gen interfaces」「Healthcare」「Financial services」「Education」「Translation and localization」「Live transcription and captioning」が並んでいます（訳は筆者によるもので、原文が正です）。音声でのやり取りを前提にした窓口業務や学習支援など、リアルタイム性が価値になる場面を想定した分類だとわかります。

実際の会話フローに検索連動の受け答えを組み込みたい場合は、テキストモデル向けのGoogle検索によるグラウンディングとは？Gemini APIの料金と仕組みで扱っている考え方、外部システムと連携させたい場合はGemini APIのFunction Calling入門｜仕組み・書き方・料金で扱っている考え方を、それぞれ別記事で確認したうえで設計を検討してください。いずれもLive API自体の標準機能として公式ページに明記されているわけではないため、組み合わせる場合は各機能の対応状況を公式ページで個別に確認する前提になります。

導入前に確認すべきチェックリスト

導入可否を判断する際は、対応モデルのステータス、入出力形式、セッション時間の上限、料金体系という4つの観点を、公式ページで確認しておくことが前提になります。

仮の例として、カスタマーサポート窓口向けに音声で一次対応するエージェントを検討している場合を考えます。この場合、対応モデルはStable表記のGemini 3.8 Liveを起点に検証し、出力が音声のみである点を踏まえて文字ログが必要ならクライアント側で音声認識を別途組み合わせる設計にし、圧縮なしの上限（音声のみ15分）を超える長い通話が想定されるならコンテキストウィンドウ圧縮とセッション再開を組み合わせ、料金はPaid tierの音声単価（トークン建てまたは分建て）で見積もる、という順番で判断していくことになります。これはあくまで組み立て方の一例であり、実際の設計は自社の要件と公式ページの最新記載にあわせて調整してください。

自社のユースケースがLive API向きかどうかを整理する際は、目的別の活用パターンをまとめたGoogle AI活用事例を目的別に整理｜仕事・学習・SNS運用で使う方法も判断材料になります。

よくある質問（FAQ）

Q1. Gemini Live APIとGemini Computer Useの違いは何ですか。

Live APIは音声・映像によるリアルタイム対話に特化したAPIで、出力は音声のみです。一方、Gemini Computer Useとは｜対応環境・安全機能・料金の考え方で解説しているComputer Useは、スクリーンショットをもとにクリックやキー入力を生成してブラウザ・モバイル・デスクトップを操作するツールです。目的も出力形式も異なる別の機能です。

Q2. Gemini Live APIは無料で使えますか。

公式料金ページのGemini 3.8 Live等のセクションには、Free tierとして「Free of charge」という表記があります。ただし適用範囲を説明する文章は同じセクションに見当たらないため、利用前に公式料金ページで最新の記載を確認してください。

Q3. 音声セッションが15分で終了してしまう場合はどうすればいいですか。

公式ページには、contextWindowCompressionを設定してsliding-window方式の圧縮を有効にする方法と、sessionResumptionを設定してセッション終了後に再接続する方法が案内されています。本文の「コンテキストウィンドウ圧縮」と「セッション再開」の項目で仕組みを整理しています。

Q4. Gemini 3.1 Flash Live PreviewとGemini 3.8 Liveはどちらを使うべきですか。

公式モデル一覧ページでは、Gemini 3.1 Flash Liveは「Legacy Live API preview model」、Gemini 3.8 Liveは「Default Live API model for most low-latency voice agent experiences」と説明されています。ステータスもGemini 3.1 Flash LiveはPreview、Gemini 3.8 LiveはStableのため、新規実装では公式が既定モデルと位置づけているGemini 3.8 Liveを起点に検証するのが公式ページの記載に沿った進め方です。

Q5. Gemini Live APIへの入力に映像は使えますか。

公式ページの入力仕様には「images (JPEG <= 1FPS)」と記載されており、動画そのものではなく1秒あたり1フレーム以下のJPEG画像として送る仕様です。応答をテキストや構造化データとして受け取りたい場合は、Gemini APIの構造化出力とは｜JSONスキーマ指定と使い方で扱う通常のGemini APIのほうが目的に合います。

Q6. Gemini 2.5 Flash Native Audioはまだ使えますか。

取得時点の公式料金ページには「Gemini 2.5 Flash Native Audio (Live API)」という料金セクションが残っており、公式モデル一覧ページにもgemini-2.5-flash-native-audio-preview-12-2025というモデルコードがPreviewとして掲載されています。名称のとおりPreview段階のモデルのため、本番運用では公式ページのステータス表記を都度確認してください。

まとめ｜Gemini Live APIを使う判断基準

Gemini Live APIは、Google AI for Developersの公式ページで「低遅延なリアルタイム音声・映像インタラクションを実現する」機能と定義されている、Gemini APIの一部です。本記事で公式ページの文言から確認できた要点を整理します。

• 入力は音声・画像（JPEG、1FPS以下）・テキストの3種類、出力は音声のみに対応する。
• 本記事で扱った主要モデルは4つで、公式がDefaultと位置づけているのはGemini 3.8 Live。Gemini 3.1 Flash LiveとGemini 2.5 Flash LiveはPreview表記（このほか音声翻訳に特化したGemini 3.5 Live Translateも公式モデル一覧に掲載されている）。
• セッション時間は圧縮なしの場合、音声のみ15分、音声+映像2分が上限。延長にはコンテキストウィンドウ圧縮を使う。
• 接続が切れてもセッション再開の仕組みを使えば、終了から2時間以内は会話を再開できる。
• 料金にはFree tierとPaid tierがあり、Paid tierはテキスト・音声・画像/動画で単価が異なる。Gemini 2.5 Flash Native Audioは別セクションでテキスト単価が異なる。
• 出力が音声だけという仕様上、文字起こしや構造化データが必要な用途には別のGemini API機能を組み合わせる必要がある。

Live APIを使うかどうかの判断軸は、「音声・映像によるリアルタイム対話が本当に必要な用途か」「出力が音声のみで足りるか、それとも文字起こしや構造化データを別途組み合わせる必要があるか」「圧縮・再開の仕組みを実装できる体制があるか」の3点です。いずれも満たせる場合に、対応モデルのステータス表記を踏まえたうえで検証を進めるのが公式ページの案内に沿った進め方です。Google AIをこれから業務に組み込む方は、まずGoogle AIの使い方ガイドで全体像を確認してください。

自社の業務や発信活動にAIをどう組み込むか、モデル選定から運用設計まで一人で整理するのは時間がかかります。S.LineのLINEでは、AIとSNSを組み合わせて成果につなげるための資料を無料で配布しています。成果を保証するものではありませんが、自社のユースケースを整理する材料として活用できます。