9 月 24 日,Google 在官方博客上线了 Gemini 3.8 Live with Live Avatar:在上周刚发布的实时语音对话模型 Gemini 3.8 Live 之上叠加近实时视频生成,让模型输出一个唇形同步、有表情、能自然接话与让话的数字人形象。由 DeepMind 研究科学家 Shuo-yiin Chang 与 Gemini 工程师 CJ Zheng 发文,即日起在 Gemini Enterprise 正式可用(官方公告)。
脸是模型自己生成的,不是贴皮动画
最值得注意的技术点是"原生"二字。Live Avatar 不是语音模型加独立动画引擎的两段式拼装——按 Google 开发者文档(经 WindowsForum 核实),3.8 Live 经 Live API 直接输出与合成语音同步的 24 FPS MP4 视频流,开发者像请求音频一样把 VIDEO 加进 response_modalities 即可,人脸由模型本体生成。视觉与音频输入同时处理,嘴型、表情与内容实时对齐。
97 种语言切换,工具在后台跑
官方称其具备原生多语言语音到语音同步:对话中途切换语言,唇形与表情动态适配,跨 97 种语言不降低视频保真度、不出现视觉漂移。另一亮点是异步工具调用:Avatar 在后台触发工具、拉取数据的同时对话不中断,官方演示场景是酒店入住——边跟客人确认信息,边调接口完成操作。Cloud 博客补充,原生 speech-to-speech 架构让打断恢复更自然,不丢上下文、不断后台事务(GA 公告)。
企业先吃,水印与白名单先行
目前 Live Avatar 仅面向 Gemini Enterprise 客户(美欧节点),消费级 Gemini 应用尚未开放。企业提供预设形象库,也能用一张高质量参考图生成保留相似度的定制 Avatar,通道走企业白名单验证。所有音视频输出织入 SynthID 隐形水印,保持 AI 生成内容可检测。同系列 3.8 Live Extended Thinking 仍处私有预览。
所以呢
The Register 的报道点出一个微妙的错位:Google 自己的研究者花了多年警告"拟人化的 AI 会让用户过度信任",而企业级产品已经出货(报道)。技术演进上,这条路线把数字人管线压缩成端到端多模态输出——部署更简单,语言一致性由模型自己保证。对企业,这是客服、导购、互动终端的新标配候选;对普通用户,值得留意的是那枚隐形水印:当屏幕里的脸越来越像人,可验证的"这是 AI"标记,可能是我们最后的抓手。