Gemini 3.8 Live Avatar dă o față roboților de asistență în 97 de limbi

Google a pus o față video în timp real, cu buzele sincronizate, peste modelul său speech-to-speech și a vândut-o mai întâi ghișeelor de asistență și showroomurilor. Fiecare cadru poartă un filigran SynthID; niciun document de lansare nu pune un preț pe această față.

Timp de două decenii, serviciul pentru clienți a vorbit cu oamenii printr-o cutie goală: un meniu telefonic, o fereastră de chat, o voce sintetică în spatele căreia nu se afla nimic. Pe 25 septembrie, Google a lansat în disponibilitate generală Gemini 3.8 Live cu Live Avatar în Gemini Enterprise, iar produsul este o încercare directă de a umple acea cutie cu o față. Avatarul vorbește, își mișcă buzele în ritmul cuvintelor, afișează expresii și continuă conversația în timp ce caută informații în fundal. Funcționează în 97 de limbi și trece de la una la alta în mijlocul apelului atunci când clientul face același lucru. Google îl recomandă pentru daunele de asigurare, check-in-ul la hotel și cumpărarea de mașini, nu pentru scena demonstrațiilor, ceea ce spune multe despre locul în care compania crede că se află banii din AI-ul vocal.

Sub această față se află Gemini 3.8 Live, modelul nativ speech-to-speech pe care Google l-a anunțat cu o săptămână înainte, împreună cu o variantă Extended Thinking. Speech-to-speech înseamnă că modelul aude sunet și răspunde tot prin sunet, fără să transforme mai întâi conversația în text și apoi înapoi în voce. Vechii roboți vocali erau construiți ca o ștafetă: un sistem transcria ce spunea apelantul, un al doilea decidea ce să răspundă, un al treilea citea răspunsul cu voce tare. Fiecare predare a ștafetei adăuga întârziere și ștergea tonul, motiv pentru care acei roboți le vorbeau oamenilor peste cuvinte, nu sesizau întreruperile și lăsau tăceri lungi, mecanice. Un model nativ elimină ștafeta și păstrează ritmul vorbirii în interiorul unui singur sistem.

Live Avatar adaugă acestei bucle un strat video transmis în flux. Ce îl deosebește de tehnicile de suprapunere video, în care o față este animată după ce sunetul există deja, este faptul că sunetul și imaginea sunt generate în același traseu de inferență în timp real, nu în pași succesivi. Tocmai această cuplare menține latența suficient de scăzută pentru un dialog natural și tot ea face ca buzele să cadă pe silabe în loc să rămână în urma lor. Modelul citește și fluxurile live ale camerei și ecranele partajate în timp ce vorbește și poate evidenția elemente pe ecranul clientului, astfel încât apelantul poate arăta o problemă, nu doar s-o descrie, iar agentul îi poate indica la rândul lui răspunsul.

Produsul nu a apărut din senin. Google a prezentat Live Avatar în avanpremieră la Google Cloud Next 2026, iar linia Live datează din 2024, când Gemini Live a sosit ca mod vocal pe telefoane, iar Multimodal Live API s-a deschis dezvoltatorilor odată cu Gemini 2.0, în decembrie același an. Fiecare versiune a împins aceeași idee puțin mai departe: mai puține schimburi de replici care se simt ca niște ture, mai puține pauze care trădează mașina. Postarea destinată publicului larg care prezenta avatarul a apărut pe 24 septembrie, semnată în numele echipei Gemini Audio de Shuo-yiin Chang, din zona de cercetare științifică, și de CJ Zheng, din zona de inginerie software. Disponibilitatea generală pentru companii a urmat o zi mai târziu, pe blogul Google Cloud, ceea ce arată limpede ce public se așteaptă Google să plătească.

Într-o implementare de asistență pentru clienți, fața contează mai puțin decât ceea ce se petrece în spatele ei. Gemini 3.8 Live execută apelurile către instrumente și API-uri în mod asincron: confirmă cererea, ține conversația în mișcare și, în fundal, aduce o comandă, verifică o poliță sau interoghează stocul. Google spune că modelul își revine după întreruperi fără să piardă contextul sau tranzacția de backend aflată în desfășurare, adică exact defecțiunea care trimite cel mai des un apelant exasperat înapoi la începutul meniului telefonic. Diferența e ușor de subestimat. Un robot care tace șase secunde cât timp răspunde o bază de date pare stricat; unul care spune că verifică și continuă să vorbească pare un funcționar la ghișeu.

Exemplul-vitrină al Google este o daună de asigurare. Clientul îndreaptă camera telefonului spre stricăciuni și le descrie, agentul completează dosarul de daună pe măsură ce omul vorbește, iar o echipă de agenți din fundal, construită cu Agent Development Kit de la Google, verifică polița și asamblează pachetul de care va avea nevoie inspectorul de daune. Codul acestei echipe de agenți apare în materialele de lansare ca exemplu open source, semn că Google vrea ca dezvoltatorii să copieze arhitectura la fel de mult ca fața. Celălalt exemplu al companiei este mai banal: un oaspete care face check-in la hotel. Ambele descriu același design. Avatarul este partea din față a unui flux de lucru, nu un cap vorbitor care citește un scenariu.

Gestionarea limbilor este al doilea pilon. Detectarea este automată, iar Google afirmă că avatarul se poate muta între cele 97 de limbi ale sale în aceeași sesiune fără să degradeze fidelitatea video și fără derapaje vizuale; mișcarea buzelor se adaptează noii limbi în loc să păstreze formele gurii din cea veche. Schimbarea are loc fără transfer, fără reîncărcarea sistemului și fără o pauză perceptibilă. Pe piețele în care clienții alternează între două sau trei limbi în același apel, realitatea zilnică a liniilor de asistență din India, Nigeria sau Filipine, aceasta este diferența dintre un sistem utilizabil și unul care obligă oamenii să aleagă o limbă dintr-un meniu înainte de a putea explica de ce au sunat.

Equal AI, o companie care construiește în India un asistent personal bazat pe AI, oferă cea mai clară imagine a scării, deși cifrele sale descriu modelul vocal, nu avatarul. Compania spune că gestionează deja peste un milion de apeluri live pe zi în nouă limbi indiene, iar directorul său executiv, Akhilesh Damaraju, îi atribuie lui Gemini 3.8 Live o gestionare mai bună a întreruperilor, conversații multilingve mai fiabile și apeluri de instrumente mai stabile. Un asemenea volum ar fi nerealist din punct de vedere economic cu operatori umani, la aceeași disponibilitate și cu aceeași acoperire a programului. Premisa de proiectare din spatele unei astfel de implementări nu este demonstrarea conceptului. Este capacitatea de procesare, iar la acest volum fiecare secundă tăiată dintr-o replică se adună.

Celelalte nume prezente la lansare indică extremități diferite ale pieței. Cox Automotive a construit pentru Autotrader un avatar conversațional care le permite cumpărătorilor să descrie cu propriile cuvinte mașina pe care o vor, evidențiază pe ecran modelele potrivite și apelează instrumente de căutare, comparație și finanțare; Marianne Johnson, director de produs la Cox Automotive, îl prezintă ca pe un înlocuitor al filtrelor și meniurilor. Salesforce spune că echipa sa AI Research lucrează cu Google pentru a combina Gemini 3.8 Live cu Agentforce, platforma sa de agenți pentru servicii, iar Bob Van Osten, vicepreședinte de produs pentru Agentforce, descrie colaborarea ca pe o căutare de noi moduri de a duce un caz de asistență de la primul contact până la rezolvare. Specs, care își construiește propriul asistent AI, evidențiază prin inginerul software Eric Walsh detectarea actualizată a activității vocale și latența mai mică pe care le-a măsurat în teste.

Fiecare secundă de sunet și imagine generată poartă un filigran SynthID. Sistemul, introdus de Google DeepMind în 2023 pentru imagini și extins ulterior la text, audio și video, încorporează un semnal pe care oamenii nu îl pot vedea sau auzi, dar pe care un software îl poate detecta. Google îl proiectează astfel încât să reziste transformărilor obișnuite, precum compresia și recodarea, așa că un clip exportat dintr-un apel de asistență și publicat în altă parte poate fi verificat în continuare în privința originii. Este cel mai concret angajament de siguranță al lansării și se aplică fiecărui avatar, predefinit sau personalizat. A doua măsură de protecție este procedurală: avatarurile personalizate sunt rezervate companiilor de pe o listă de acces aprobată și trec printr-un proces separat de verificare, iar acesta este răspunsul Google la îngrijorarea evidentă că o singură fotografie și o mostră de voce ajung pentru a clona o persoană reală.

Filigranul sosește și într-un moment util pentru partea europeană a afacerii. Live Avatar vine cu endpointuri în Statele Unite și în Uniunea Europeană, iar AI Act al UE include reguli de transparență, aplicabile din august 2026, care cer ca oamenii să fie informați atunci când au de-a face cu un sistem de inteligență artificială și ca sunetul și imaginea sintetice să fie marcate într-un format lizibil automat. SynthID acoperă a doua obligație. Prima îi revine celui care implementează avatarul, pentru că un filigran pe care nu îl vede nimeni nu îi spune nimic apelantului despre faptul că fața prietenoasă de pe ecran este generată. Google poate furniza marcajul; informarea trebuie să vină de la banca, asigurătorul sau lanțul hotelier care așază această față înaintea clienților săi.

Ce ascunde lansarea este prețul. Niciunul dintre cele două anunțuri nu menționează o cifră pentru stratul de avatar; postarea Cloud trimite la pagina generală de prețuri pentru AI generativ a Google și la capacitatea rezervată (provisioned throughput), iar atât capacitatea rezervată, cât și avatarurile personalizate trec printr-un reprezentant de vânzări. Organizațiile pot alege dintr-o bibliotecă selectată de fețe predefinite sau își pot crea propria față pornind de la o singură fotografie de referință, o mostră audio și un set de instrucțiuni de sistem, însă această variantă personalizată e condiționată de aprobare, nu disponibilă în regim self-service. Extended Thinking pentru modelul Live rămâne în previzualizare privată, ceea ce îi limitează deocamdată profunzimea raționamentului față de celelalte modele Gemini ale Google. Cifrele de latență și limitele de sesiuni simultane nu sunt publicate. Acest profil restrâns se potrivește cu felul în care Google eșalonează lansările pentru companii, cu prețuri și capacități negociate, nu afișate.

Avatarul sosește, în plus, într-o categorie care există deja. Companii precum Synthesia, HeyGen și D-ID și-au construit afacerile pe prezentatori generați, mai ales pentru instruire, marketing și video localizat, randat dinainte, nu în timp real. Oferta Google diferă într-o privință: fața este legată de același model care ascultă, raționează și apelează instrumentele, în consola în care companiile își construiesc deja agenții. Ea se alătură unei familii mai largi de modele audio care include Gemini 3.5 Transcribe, Gemini 3.5 Live Translate și două variante de transformare a textului în vorbire, Gemini 3.8 Flash TTS și Gemini 3.8 Flash-Lite TTS. Pentru o companie care rulează deja agenți Gemini, adăugarea unei fețe devine o opțiune de configurare, nu un contract separat cu încă un furnizor, iar această grupare este amenințarea competitivă la care specialiștii vor trebui să răspundă.

Materialele de lansare lasă deoparte câteva întrebări deschise. O față creează așteptări pe care o voce nu le creează: apelanții citesc expresiile, iar un avatar care zâmbește în timp ce respinge o cerere de despăgubire poate fi primit mai prost decât o voce neutră care dă același răspuns. Contează și lățimea de bandă, pentru că un agent video în flux cere mai mult de la conexiunea clientului decât o linie telefonică, iar multe dintre piețele în care asistența multilingvă valorează cel mai mult sunt și cele în care datele mobile costă cel mai mult. Nimic din toate acestea nu se poate măsura dintr-o postare de lansare. Se va vedea, sau nu, în cifrele de satisfacție și de finalizare ale primelor implementări mari.

Gemini 3.8 Live cu Live Avatar este disponibil acum în consola Gemini Enterprise și prin Gemini Live API, iar Agent Development Kit este calea pentru dezvoltatorii care construiesc agenți în flux. Extended Thinking nu are un calendar publicat dincolo de grupul actual de previzualizare privată. Companiile care îl vor implementa vor răspunde unei întrebări pe care tehnologia nu o lămurește: dacă eliminarea semnalului vizual care marchează o interacțiune automatizată îmbunătățește experiența oamenilor de la celălalt capăt sau înlătură ultimul indiciu onest că o astfel de interacțiune are loc.

Etichete: știri, Google, artificial intelligence, Gemini, customer service, enterprise AI