谷歌推出视频虚拟形象 Live Avatar

谷歌于9月24日发布了为实时对话模型加上面孔的 Gemini 3.8 Live with Live Avatar。这项功能让原本只会听和答的语音AI，以屏幕中的视频虚拟形象对准口型、做出表情进行对话。它可在谷歌面向企业的AI工作平台 Gemini Enterprise 中直接使用，谷歌云表示次日即9月25日已将该功能转为正式上线（GA）。

发布时间距离底层模型推出约一周。据报道，谷歌在9月15日推出了 Gemini 3.8 Live 和 Live Extended Thinking，这次的 Live Avatar 是在其基础上再叠加一层视觉层。谷歌云介绍，这项技术曾在 Google Cloud Next 2026 上首次预览，如今已可用于企业生产环境。METAL 此前曾报道谷歌发布 Gemini 3.8 Live 语音模型。

谷歌强调的核心是对话的自然感。撰写公告的谷歌研究科学家 Shuo-yiin Chang 和软件工程师 CJ Zheng 写道，对话本质上是多模态的：我们会听、会看、会说，也会用表情交流。Live Avatar 同时处理视频和音频输入，通过精准的口型同步、自然的表情和流畅的轮流发言，力求带来与真人视频通话般的体验。

虚拟形象说话的同时，后台也在工作。借助异步工具调用，Live Avatar 能在不中断对话的情况下于后台调用工具、获取数据。谷歌云表示，即使用户打断，模型也不会丢失对话上下文或正在后台进行的交易。它还能与音频一起实时理解摄像头画面和屏幕共享。

语言覆盖达97种。谷歌表示，Live Avatar 可在97种语言之间切换并相应调整口型和表情，同时不会降低视频质量或出现形象漂移。谷歌云补充说模型可自动识别语言。适用场景涵盖网页、移动端以及门店的交互式自助终端。

对品牌而言，值得关注的是面孔的选择方式。企业可以从预制的多样化虚拟形象库中挑选，也可以用一张高质量参考图像生成专属品牌形象。在谷歌云公开的演示中，只需添加系统指令、上传一张参考照片和一段音频样本，就能生成可交互的定制虚拟形象。不过，定制虚拟形象仅向列入白名单的企业客户开放，并需经过严格的验证流程。

安全机制也一并公布。谷歌表示，其AI产品生成的所有输出都会加上 SynthID 水印。这种肉眼和耳朵都察觉不到的标记直接织入音频和视频输出，使AI生成的内容日后仍可被识别。该服务提供美国和欧盟端点、预留吞吐量以及企业合规与数据治理保障，而推理时间更长的 Gemini 3.8 Live Extended Thinking 仍处于非公开预览阶段。

METAL 查阅的谷歌云文章中收录了三个演示。其中之一是保险理赔受理窗口。客户一边说话一边用摄像头展示受损部位，理赔笔记便会自动填写；后台由 ADK（智能体开发套件）构建的智能体团队核对保单、应用受理规则，并生成交给理赔员的资料包。谷歌已将这个演示的代码开源。

客户数据也已公布。印度的 Equal AI 用九种印度语言每天处理超过100万通实时通话。Equal AI 首席执行官 Akhilesh Damaraju 表示："Gemini 3.8 Live 提升了打断处理、多语言对话和工具调用的可靠性。"他还说："这个AI不只是接电话，而是帮你把事情办完。"

汽车交易平台也有案例。Cox Automotive 为 Autotrader 打造了一个利用屏幕高亮和工具调用的AI购物助手，通过对话引导用户完成车辆搜索、比较乃至金融咨询。Cox Automotive 首席产品官 Marianne Johnson 表示："购物者越来越希望用自己的话描述需求，而不是在筛选项和菜单中翻找。"Salesforce 表示，其AI研究团队正与谷歌合作，将 Gemini 3.8 Live 接入 Agentforce。

从内容营销者的视角看，这次发布改变了由谁担任品牌面孔的问题。过去企业语音机器人的竞争在于速度和成本，但谷歌云集团产品经理 Fabien Blanc-paques 写道，如今的优先级已转向每一次交互的质量。如果客服窗口和门店终端上的面孔只需一张参考照片就能生成，并能说97种语言，那么品牌需要管理的就不再是广告代言人，而是每天进行数百万次对话的虚拟形象的语气和表情。用 SynthID 标明这张面孔来自AI，体现了谷歌认为信任是这一新渠道基本条件的判断。