Gemini 3.8 Live Avatar给AI客服一张脸价格未公布

Google为旗下的语音到语音模型装上了一张唇形同步的实时视频面孔，首先卖给客服台和展厅。每一帧画面都带有SynthID水印；所有发布文件都没有给这张脸标价。

二十年来，客服一直隔着一个空白的盒子与人对话：电话语音菜单、聊天气泡，或是背后空无一物的合成语音。9月25日，Google在Gemini Enterprise中全面推出搭载Live Avatar的Gemini 3.8 Live，这款产品直接试图用一张脸填满那个盒子。虚拟形象会说话，唇形与话语同步，会做出表情，还能在后台查找信息的同时继续交谈。它支持97种语言，客户在通话中途切换语言时，它也随之切换。Google瞄准的是保险理赔、酒店入住和购车场景，而不是演示舞台。这一选择清楚表明了这家公司认为语音AI的钱在哪里。

这张脸之下运行的是Gemini 3.8 Live，即Google在前一周发布的原生语音到语音模型，同时发布的还有Extended Thinking版本。所谓语音到语音，是指模型听到音频后直接用音频作答，而不必先把对话转成文字、再转回语音。老一代语音机器人采用接力式结构：一个系统转写来电者的话，第二个系统决定说什么，第三个系统再把答案读出来。每一次交接都增加延迟，也抹掉了语气。这就是那些机器人会抢话、漏掉对方插话、留下机械式长时间沉默的原因。原生模型取消了接力，把说话的节奏保留在同一个系统之内。

Live Avatar在这一循环之上增加了一层流式视频。视频叠加技术是在音频生成之后再驱动面部动画，而Live Avatar的区别在于，音频和视频在同一条实时推理路径中同步生成，而不是先后依次处理。正是这种耦合让延迟低到足以支撑自然的你来我往，也让嘴唇准确落在音节上，而不是慢半拍跟在后面。模型在交谈的同时还能读取实时摄像头画面和屏幕共享，并能在客户屏幕上高亮显示元素。客户不仅可以描述问题，还可以直接把问题展示出来，智能体也能反过来指出答案所在的位置。

这款产品并非凭空出现。Google最早在Google Cloud Next 2026上预览了Live Avatar，而Live系列可以追溯到2024年：那一年Gemini Live作为手机上的语音模式亮相，同年12月，Multimodal Live API随Gemini 2.0一同向开发者开放。每一代版本都把同一个理念再往前推进一点：减少让人察觉“轮流发言”的来回，减少暴露机器身份的停顿。介绍虚拟形象的消费者版文章于9月24日发布，署名者是研究科学家Shuo-yiin Chang和软件工程师CJ Zheng，他们代表Gemini音频团队发文。一天后，企业版正式上线的消息在Google Cloud博客上跟进公布。这个先后顺序说明了Google指望哪一类客户掏钱。

对客服部署而言，脸本身远不如脸背后发生的事情重要。Gemini 3.8 Live以异步方式执行工具调用和API调用：先确认收到请求，继续对话，同时在后台调取订单、核对保单条款或查询库存。Google表示，即使对话被打断，它也能恢复过来，既不会丢失上下文，也不会中断正在进行的后端事务。而这恰恰是最常把恼火的来电者送回电话菜单起点的那种故障。这种差别很容易被低估。等数据库回应时沉默六秒的机器人，让人觉得它坏了；说一句正在查询、然后继续交谈的机器人，让人觉得对面是一名柜台职员。

Google重点展示的案例是保险理赔。客户把手机摄像头对准受损部位，一边拍一边讲述，智能体在对话过程中填写理赔记录，同时一组用Google的Agent Development Kit构建的后台智能体核查保单，并整理好理赔评估员所需的材料包。这组智能体的代码以开源示例的形式附在发布材料中，说明Google希望开发者照搬的不只是这张脸，还有这套架构。Google举的另一个例子更为日常：酒店入住登记。两个案例描述的是同一种设计。这个虚拟形象是一套工作流程的前端，而不是照着脚本念稿的“会说话的头像”。

第二大支柱是语言处理。语言检测自动完成。Google表示，虚拟形象在同一次会话中于97种语言之间切换时，视频保真度不会下降，也不会出现画面漂移，唇部动作会适应新的语言，而不是沿用旧语言的口型。切换过程无需转接，无需重新加载系统，也没有明显停顿。在印度、尼日利亚或菲律宾，客户在一通电话里往返于两三种语言之间是客服热线的日常。在这样的市场，这就是一套可用的系统与一套逼着用户在说明来电原因之前先从菜单里选语言的系统之间的差别。

规模最直观的例证来自Equal AI，这家公司在印度打造个人AI助理，不过它公布的数据针对的是语音模型，而非虚拟形象。该公司表示，目前已用9种印度语言每天处理超过100万通实时通话；首席执行官Akhilesh Damaraju（阿基莱什·达马拉朱）认为，Gemini 3.8 Live带来了更好的打断处理、更可靠的多语言对话以及更稳定的工具调用。若要以人工坐席实现同样的服务时段和排班覆盖，这样的通话量在经济上并不现实。这类部署背后的设计前提不是概念验证，而是吞吐量。在这种规模下，每一轮对话省下的每一秒都会累积起来。

此次发布中出现的其他名字，指向市场上各不相同的位置。Cox Automotive为Autotrader打造了一个对话式虚拟形象，购车者可以用自己的话描述想要的车，系统在屏幕上高亮显示匹配车辆，并调用搜索、比较和金融贷款等工具；Cox Automotive首席产品官Marianne Johnson（玛丽安·约翰逊）将其定位为筛选条件和菜单的替代方案。Salesforce表示，其AI Research团队正与Google合作，将Gemini 3.8 Live与自家的服务智能体平台Agentforce结合；Agentforce产品副总裁Bob Van Osten（鲍勃·范·奥斯滕）把这次合作描述为探索新方法，让一个服务工单从首次接触一路走到最终解决。自行开发AI助理的Specs则通过软件工程师Eric Walsh（埃里克·沃尔什）指出，他们在测试中测得语音活动检测有所改进，延迟也更低。

生成的每一秒音频和视频都带有SynthID水印。这套系统由Google DeepMind于2023年推出，最初用于图像，后来扩展到文本、音频和视频。它嵌入的是一种人眼看不见、人耳听不到，但软件能够检测的信号。Google的设计目标是让水印经受压缩、重新编码等常见处理，因此即便一段从客服通话中导出的视频被发布到别处，仍然可以查验其来源。这是此次发布中最具体的安全承诺，适用于所有虚拟形象，无论是预设形象还是定制形象。第二道保障在流程上：定制虚拟形象需要进入企业许可名单，并通过单独的验证流程。外界显然担心，一张照片加一段语音样本就足以克隆一个真实的人，这就是Google的回应。

对欧洲业务来说，水印也来得正是时候。Live Avatar在美国和欧盟都设有服务端点，而欧盟《人工智能法》的透明度规则自2026年8月起适用，要求告知人们正在与AI系统打交道，并要求以机器可读的方式标记合成的音频和视频。SynthID满足的是第二项义务。第一项义务则落在部署虚拟形象的一方，因为一个谁也看不见的水印，无法告诉来电者屏幕上那张亲切的脸是生成的。标记可以由Google提供；告知却必须由把这张脸摆在客户面前的银行、保险公司或连锁酒店来完成。

此次发布刻意回避的是价格。两篇公告都没有给出虚拟形象这一层的价格；Cloud博客文章只是指向Google生成式AI的通用定价页面和预配吞吐量，而预配容量和定制虚拟形象都需要通过销售代表办理。企业可以从精选的预设面孔库中挑选，也可以凭一张参考照片、一段音频样本和一组系统指令打造自己的形象，但定制这条路设有门槛，并非自助开通。Live模型的Extended Thinking仍处于非公开预览阶段，因此目前其推理深度相比Google其他Gemini模型受到限制。延迟数据和并发会话上限都没有公布。这种处处受限的面貌，符合Google推出企业产品的一贯节奏：价格和容量靠谈判，而不是明码标价。

这个虚拟形象进入的也是一个早已存在的品类。Synthesia、HeyGen和D-ID等公司靠生成式虚拟主持人建立了业务，主要用于培训、营销和本地化视频，而且是提前渲染，而不是实时生成。Google的卖点只在一点上不同：这张脸连着的正是负责聆听、推理和调用工具的同一个模型，而且就在企业搭建智能体的那个控制台里。它旁边还有一个更大的音频模型家族，包括Gemini 3.5 Transcribe、Gemini 3.5 Live Translate，以及两款文本转语音模型Gemini 3.8 Flash TTS和Gemini 3.8 Flash-Lite TTS。对已经在运行Gemini智能体的公司来说，加一张脸变成了一个配置选项，而不是另签一份供应商合同。这种捆绑，正是专业厂商必须回应的竞争威胁。

发布材料没有回答的问题依然存在。一张脸会带来一个声音不会带来的期待：来电者会解读表情，一个一边拒绝理赔一边微笑的虚拟形象，给人的感受可能比用中性语气说出同样答案的声音更糟。带宽同样是问题。流式视频智能体对客户网络连接的要求高于一条电话线，而多语言客服最有价值的许多市场，恰恰也是移动数据最昂贵的地方。这些都无法从一篇发布文章中衡量。答案会出现在首批大规模部署的满意度和完成率数据里，也可能不会出现。

搭载Live Avatar的Gemini 3.8 Live现已在Gemini Enterprise控制台和Gemini Live API中上线，开发者构建流式智能体的路径是Agent Development Kit。Extended Thinking除了目前的非公开预览群组之外，没有公布任何时间表。部署它的企业将回答一个技术本身无法回答的问题：去掉那个表明这是自动化交互的视觉信号，究竟会改善另一端用户的体验，还是会抹去提示这种交互正在发生的最后一个诚实标志。

标签: Google, Gemini, customer service, enterprise AI, lip sync, speech recognition