Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
来源Google DeepMind查看原文
速览
- Gemini 3.8 Live 发布一周后再推 Live Avatar，为对话模型加上实时视觉形象
- Live Avatar 同时处理视觉与音频输入，输出带表情的音频与视频
- 异步工具调用让对话不中断，可在后台完成酒店入住等复杂任务
- 支持 97 种语言语音到语音同步，切换语言时唇形表情无缝适配
- 企业可用预设头像，也可基于参考图定制保留品牌风格的头像
- 自定义头像目前仅限企业白名单，尚未全面开放
- 所有生成内容嵌入 SynthID 水印，强调身份尊重与内容透明
Google DeepMind 在 Gemini 3.8 Live 发布一周后，推出 Gemini 3.8 Live with Live Avatar，为原生实时对话模型加入近实时的视觉形象。该功能把近实时视频生成与语音结合，具备精准唇形同步、自然表情和流畅的轮次切换，可同时处理视觉与音频输入，并在对话不中断的情况下异步调用工具、后台获取数据。Live Avatar 支持 97 种语言的原生语音到语音同步，切换语言时唇形与表情会动态适配，且不降低视频保真度、不出现视觉漂移。企业除使用预设头像库外，还可基于高质量参考图生成保留参考相似度、品牌风格或角色身份的自定义头像，但自定义头像目前仅通过企业白名单开放。该功能即日起在 Gemini Enterprise 中可用，所有 AI 生成输出均嵌入 SynthID 不可见水印。
关键事实
- Gemini 3.8 Live with Live Avatar 于 2026 年 9 月 24 日发布，距上周 Gemini 3.8 Live 发布仅一周
- 该功能将近实时视频生成与语音配对，实现精准唇形同步、自然表情与流畅轮次切换
- 支持异步工具调用，可在对话持续进行的同时在后台触发工具调用并获取数据
- 支持 97 种语言的原生语音到语音同步，切换语言时唇形与表情动态适配，不降低视频保真度、不引入视觉漂移
- 企业可使用预设头像库，也可基于高质量参考图生成保留参考相似度、品牌风格或角色身份的自定义头像
- 自定义头像创建目前仅通过企业白名单开放
本站视角
对国内做企业级 Agent 和数字人的团队来说，这是一个需要认真对待的信号。Google 把实时视频生成、语音对话、异步工具调用打包进 Gemini Enterprise，等于把「数字人客服」从演示视频推进到可调用的 API 产品，直接冲击目前国内大量基于拼接方案（ASR+LLM+TTS+口型驱动）的数字人厂商——这些方案在延迟、轮次切换和工具调用中断对话方面一直是痛点，而 Live Avatar 宣称的异步工具调用和 97 种语言无缝切换正是针对这些痛点。我们认为，真正值得关注的不是「有头像」这件事，而是异步工具执行与连续存在感的结合：它让 Agent 在查数据库、调接口时不必暂停对话，这是企业场景能否落地的关键。需要观察的是，97 种语言「不降低保真度、不引入视觉漂移」的说法目前只有 DeepMind 单方面描述，没有第三方评测或延迟、成本数据；自定义头像仅限企业白名单，也说明该能力在身份滥用风险上仍有顾虑。对使用 API 的中小企业和开发者而言，短期内更现实的问题是定价与配额，而原文对此只字未提。SynthID 水印是加分项，但它解决的是内容溯源，不解决实时交互中的身份冒用，这两
背景与影响
Gemini 3.8 Live 于上周发布，是 Gemini 的原生实时对话模型。Live Avatar 建立在这一基础上，把近实时视频生成与语音能力原生耦合，使对话 AI 具备视觉存在感。DeepMind 表示，对话本质上是多模态的——人们通过聆听、观察、说话和面部表情来交流，Live Avatar 正是把这套能力带给企业级 Agent。该功能面向企业场景，如客户服务和交互式导览，目标是让数字交互更丰富、更易用。在安全层面，DeepMind 强调 Live Avatar 内置严格的身份保护措施，并通过 SynthID 水印保证 AI 生成内容可被检测，以减少错误信息和错误归属。这意味着 Google 正把实时多模态对话能力推向企业市场，与同类实时音视频 Agent 产品形成竞争。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
