Google 推出 Gemini 3.8 即時頭像：視聽一體互動，支援 97 種語言

對著黑底白字的聊天框敲鍵盤，或者對著一個跳動的聲波圓圈自言自語，很快就要變成老黃曆了。

Google 宣佈在 Gemini 3.8 Live 的基礎上推出 Live Avatar 功能。這套系統把近即時的影片生成和原生語音模型綁在一起，直接捏出了一個能聽、能看、還能面對面跟你說話的動態數字人。

這項功能目前已經面向 Gemini Enterprise 企業客戶開放。

97 種語言無縫切，還能一邊聊天一邊在後臺查房

很多人對虛擬客服的印象，還停留在僵硬的假人和對不上的嘴型。Google 這次想解決的正是這兩個毛病。

Live Avatar 主打高精度的嘴型同步和自然神態，而且支援順暢的雙向打斷和輪流發言。它不光能聽你的聲音，還能同時看你這邊的畫面，根據視覺和聲音訊號一起組織回應。

更有意思的是它的多語言能力。系統支援 97 種語言的原生語音到語音同步，即使在對話中途突然換了一種語言，數字人的口型和表情也會動態跟著變，不會出現影片畫質縮水或者面部變形跑偏的情況。

技術上最實用的一點，大概是非同步工具呼叫。以前很多智慧體一旦去後臺查資料，整個介面就會陷入尷尬的沉默；而 Live Avatar 可以在後臺偷偷調介面、查資料的同時，嘴上繼續陪著客戶閒聊，讓整個對話節奏完全不斷檔。

Google 在演示中展示了一個酒店辦理入住的場景，AI 一邊核驗住客資訊並辦理手續，一邊微笑著跟客人寒暄，體驗非常順滑。

形象定製方面，企業除了可以用現成的角色庫，還能直接餵給它一張高質量參考圖，讓系統按圖捏出一個同樣畫風的專屬數字人。不過 Google 表示，自定義形象目前必須先申請企業白名單才能用。另外為了防止被用來造假，所有生成的音訊和影片都直接打上了看不見的 SynthID 數字水印。

為什麼重要

這套東西對企業來說，吸引力是顯而易見的。特別是搞酒店、銀行、零售客服以及做互動導覽的公司，拿它來替代現在的語音自助系統，互動質感能直接翻倍。單張圖片就能生成專屬形象，也極大壓低了小品牌定製虛擬員工的成本門檻。

行業層面，Google 實際上是在拉高企業級多模態互動的競爭門檻。以前大家比的是誰的模型反應更快、延遲更低；現在 Google 直接把戰線拉到了即時影片渲染與原生語音的結合上，逼著對手必須在多模態即時生成上跟進。

我們認為，Google 最聰明的一步是做了非同步工具呼叫。很多做數字人的團隊容易把精力全耗在臉好不好看上，卻忘了企業級應用最核心的是辦事能力；在後臺查資料的同時保持前臺對話不斷流，才算真正把數字人從一個好看的皮囊變成了能幹活的員工。

但隱患也很明確。目前即時影片流的推流和生成成本極高，企業大規模上線的賬單恐怕不會便宜。而且哪怕有 SynthID 水印，如此逼真的單圖生成數字人一旦被濫用，在社會工程學詐騙和偽造身份上的風險依然不可忽視。