Gemini 3.8 Live 增加实时虚拟形象
来自 Google DeepMind · 期号 2026-09-25
摘要
Google DeepMind 为 Gemini 3.8 Live 增加了实时视觉形象。 Live Avatar 把近实时的视频生成和语音配对，让对话模型有了一个会动、会做表情、会口型同步的虚拟形象。它支持异步工具调用：后台取数据的同时，对话不中断。 多语言是原生支持的——口型和表情会在 97 种语言之间无缝切换，不会掉画质。企业可以用一张参考图生成定制形象（目前需要白名单）。所有输出都打了 SynthID 水印。 即日起在 Gemini Enterprise 可用。
深读
导读 Google DeepMind 为对话模型 Gemini 3.8 Live 增加了实时视觉形象 Live Avatar。它通过低延迟视频生成与语音的耦合，让 AI 在对话中拥有动态的面部表情和口型同步，同时支持后台异步工具调用而不中断对话。对于正在构建交互式客服、虚拟导览等企业级对话应用的技术决策者，这是值得关注的产品更新。 关键信息 - Live Avatar 基于上周发布的 Gemini 3.8 Live 对话模型，新增了近实时视频生成能力，与语音输出同步。 - 支持异步工具调用：模型可以在后台触发工具、获取数据的同时，保持与用户的对话不中断。 - 原生支持97 种语言的语音到口型同步，切换语言时不会降低视频画质或产生视觉漂移。 - 企业可使用一张参考图生成定制化虚拟形象，保留参考图像的相似度和品牌风格，目前需通过白名单申请。 - 所有输出的音频和视频均嵌入 SynthID 水印，用于标记 AI 生成内容。 - 即日起在 Gemini Enterprise 中可用。 逐节讲解 实时视觉形象的定位 文章将 Live Avatar 定位为 Gemini 3.8 Live 的视觉扩展。它把近实时视频生成与对话语音配对，实现精确的口型同步、自然表情和流畅的对话轮换。作者强调对话本质上是多模态的，人通过听、看、说话和表情来交流，Live Avatar 试图将这种能力赋予企业级 AI 代理。 异步工具调用与对话连续性 Live Avatar 的一个关键设计是异步工具执行。模型可以在后台调用工具、获取数据，同时继续与用户对话。文章以酒店前台办理入住为例：AI 在对话中调用后台系统查询预订信息，用户无需等待工具返回结果即可继续交流。这解决了传统语音助手在调用外部 API 时必须暂停对话的问题。 多语言与定制化 Live Avatar 原生支持 97 种语言之间的无缝切换，口型和表情会随语言动态调整，且不损失视频质量。在定制方面，除了预设形象库，企业可以从一张高质量参考图生成完整的动画形象，保留参考图的相似度和品牌风格。定制功能目前仅对企业白名单用户开放。 信任与安全措施 所有 Live Avatar 生成的音频和视频输出都嵌入了 SynthID 水印。这是一种不可感知的数字水印，直接嵌入输出内容中，使 AI 生成内容可被检测，以帮助减少错误信息和归属错误。文章引用了模型卡作为安全与责任部署的完整参考。 值得注意 - 文章未提供 Live Avatar 的延迟具体数值（如端到端延迟多少毫秒），也未说明视频生成的分辨率和帧率。 - 定制化形象的质量和一致性缺乏量化评估——「保留参考图像相似度」的具体标准未给出。 - 异步工具调用的实际表现（如同时处理多少个后台任务、对对话流畅度的影响）没有 benchmark 数据支撑。 - 文章未提及 Live Avatar 的定价…