Google最新为其Gemini 3.8 Live模型推出“Live Avatar”（实时形象）功能，赋予对话式AI生动的面部表情与实时视频生成能力。目前，订阅Gemini Enterprise的企业客户可在网页、移动端及自助终端部署该功能，标志着企业级AI交互从纯语音向多模态视觉体验演进。
技术集成与多语言能力
Live Avatar基于Gemini 3.8 Live的低延迟语音对话能力，新增流式视频生成技术，实现口型、头部动作及表情与语音输出的精准同步。系统可并行处理音频、摄像头画面及屏幕共享内容，并在后台执行工具调用或数据库查询，确保对话流畅不间断。
该功能支持97种语言的自动检测与切换。Google声称，即便在英语与日语等语言间切换，虚拟形象仍能保持视频质量稳定，避免视觉漂移。演示显示，同一角色在不同语言下均能呈现准确的口型动画。
企业应用场景与定制
Google旨在通过增强数字智能体的“存在感”，助力银行、零售及服务行业引导客户完成复杂流程。早期演示中，虚拟形象在办理酒店入住时，既能后台提取预订数据，又能与客户进行自然的面对面式互动。
企业客户可从预设库中选择卡通或写实风格形象。此外，允许使用单张高质量参考照片创建自定义版本，但该功能目前仅对白名单用户开放。Gemini Live产品经理Fabien Blanc-paques表示，随着AI发展超越速度与成本指标，重点已转向提升交互质量。
安全措施与伦理争议
针对拟人化可能带来的信任风险，Google在生成的音视频中嵌入了不可见的SynthID水印，并实施严格控制以防止滥用真实人物肖像。自定义形象需经企业批准，且输出内容常附带免责声明。
尽管技术同步性获认可，但分析人士指出，富有表现力的面孔可能使用户高估AI能力，尤其在模型产生幻觉时易引发错误信任。Google内部研究亦曾警示类人接口可能滋生虚假信心。因此，建议将连续交互控制在短时段内，并加强对员工的技术培训及客户披露政策。
此次发布建立在Google Cloud Next大会预览及Project Astra多年研究基础之上。相较于Meta及初创公司的类似尝试，Google凭借庞大的Gemini部署基础、广泛语言支持及工具调用整合能力，试图在客户服务与销售场景中建立差异化优势。纯语音AI智能体时代正加速终结，视觉存在的引入将重新定义人机交互标准。