Gemini 3.8 Live Avatar даёт ИИ-поддержке лицо, говорящее на 97 языках

Google снабдила свою модель «речь в речь» видеолицом с синхронизацией губ в реальном времени и в первую очередь продаёт его службам поддержки и автосалонам. Каждый кадр несёт водяной знак SynthID, а цену этого лица не называет ни один документ о запуске.

Два десятилетия служба поддержки разговаривает с людьми через пустую коробку: телефонное меню, окно чата, синтетический голос, за которым ничего нет. 25 сентября Google открыла общий доступ к Gemini 3.8 Live с функцией Live Avatar в Gemini Enterprise, и этот продукт задуман как прямая попытка поместить в эту коробку лицо. Аватар говорит, двигает губами в такт словам, показывает эмоции и продолжает разговор, пока в фоновом режиме ищет нужные сведения. Он работает на 97 языках и переключается между ними посреди звонка, если это делает клиент. Google предлагает его для урегулирования страховых случаев, заселения в отели и покупки автомобилей, а не для демонстраций на сцене, и это многое говорит о том, где, по мнению компании, лежат деньги голосового ИИ.

Под лицом работает Gemini 3.8 Live, нативная модель «речь в речь», которую Google анонсировала неделей раньше вместе с вариантом Extended Thinking. «Речь в речь» означает, что модель слышит звук и отвечает звуком, а разговор при этом не превращается сначала в текст, а затем обратно. Старые голосовые боты были устроены как эстафета: одна система расшифровывала речь звонящего, вторая решала, что ответить, третья зачитывала ответ вслух. Каждая передача добавляла задержку и съедала интонацию, поэтому такие боты перебивали людей, не замечали, когда их прерывают, и оставляли долгие механические паузы. Нативная модель убирает эстафету и сохраняет ритм речи внутри одной системы.

Live Avatar добавляет в этот цикл потоковый видеослой. От техник видеоналожения, где лицо анимируют уже после того, как звук готов, его отличает то, что звук и изображение генерируются в одном и том же конвейере вывода в реальном времени, а не последовательными шагами. Именно эта связка удерживает задержку на уровне, достаточном для естественного диалога, и благодаря ей губы попадают в слоги, а не отстают от них. Модель к тому же считывает изображение с камеры и демонстрацию экрана прямо во время разговора и умеет выделять элементы на экране клиента. Звонящий может не только описать проблему, но и показать её, а агент в ответ указывает на решение.

Продукт возник не на пустом месте. Впервые Google показала Live Avatar на Google Cloud Next 2026, а линейка Live ведёт отсчёт с 2024 года: тогда Gemini Live появился как голосовой режим на телефонах, а в декабре того же года вместе с Gemini 2.0 разработчикам открыли Multimodal Live API. Каждая версия продвигала одну и ту же идею чуть дальше: меньше реплик, которые ощущаются как очерёдность ходов, меньше пауз, выдающих машину. Потребительский пост с представлением аватара вышел 24 сентября за подписью исследователя Шо-ин Чан (Shuo-yiin Chang) и инженера-программиста Си-Джея Чжэна (CJ Zheng) от имени команды Gemini Audio Team. Общий доступ для корпоративных клиентов последовал днём позже в блоге Google Cloud, и это ясно показывает, какая аудитория, по расчётам Google, будет за него платить.

Для службы поддержки лицо значит меньше, чем то, что происходит за ним. Gemini 3.8 Live выполняет вызовы инструментов и API асинхронно: модель подтверждает запрос, продолжает разговор и в фоновом режиме получает данные заказа, сверяется с правилами или запрашивает складские остатки. По словам Google, она восстанавливается после того, как её перебили, и не теряет ни контекст, ни текущую транзакцию во внутренней системе, а именно такой сбой чаще всего отправляет раздражённого клиента обратно в начало телефонного меню. Эту разницу легко недооценить. Бот, который замолкает на шесть секунд, пока отвечает база данных, кажется сломанным; бот, который говорит, что проверяет, и продолжает разговор, похож на живого сотрудника за стойкой.

Главный пример Google — страховой случай. Клиент наводит камеру телефона на повреждения и рассказывает, что произошло, агент заполняет заявление по ходу разговора, а команда фоновых агентов, созданных с помощью Agent Development Kit от Google, проверяет полис и собирает пакет документов, который понадобится оценщику. Код этой команды агентов приложен к материалам о запуске как пример с открытым исходным кодом: Google явно хочет, чтобы разработчики копировали архитектуру не меньше, чем лицо. Второй пример компании проще: гость заселяется в отель. Оба описывают одну и ту же конструкцию. Аватар здесь служит внешним интерфейсом рабочего процесса, а не говорящей головой, которая читает сценарий.

Работа с языками стала второй опорой продукта. Язык определяется автоматически, и, по словам Google, аватар может переходить между своими 97 языками в рамках одного сеанса без потери качества видео и без визуального дрейфа, а движения губ подстраиваются под новый язык и не сохраняют артикуляцию прежнего. Переключение происходит без передачи звонка другому оператору, без перезагрузки системы и без заметной паузы. На рынках, где клиенты в пределах одного звонка переходят с одного языка на другой, а то и на третий, а это повседневная реальность линий поддержки в Индии, Нигерии или на Филиппинах, именно это отличает пригодную систему от той, что заставляет людей выбирать язык в меню, прежде чем они смогут объяснить, зачем звонят.

Самое наглядное представление о масштабе даёт Equal AI, компания, которая создаёт персонального ИИ-ассистента в Индии, хотя её цифры относятся к голосовой модели, а не к аватару. Компания сообщает, что уже обрабатывает более миллиона живых звонков в день на девяти индийских языках, а её генеральный директор Акилеш Дамараджу (Akhilesh Damaraju) связывает с Gemini 3.8 Live более уверенную обработку перебиваний, более надёжные многоязычные разговоры и более стабильные вызовы инструментов. Такой объём был бы экономически нереалистичен для живых операторов при той же доступности и том же графике смен. В основе подобного внедрения лежит не проверка концепции. Речь идёт о пропускной способности, и при таком объёме каждая секунда, сэкономленная на одной реплике, складывается в заметную величину.

Другие имена в анонсе указывают на разные концы рынка. Cox Automotive создала для Autotrader разговорный аватар: покупатели описывают нужную машину своими словами, аватар выделяет подходящие варианты на экране и вызывает инструменты для поиска, сравнения и подбора финансирования. Директор по продукту Cox Automotive Марианна Джонсон (Marianne Johnson) представляет его как замену фильтрам и меню. Salesforce сообщает, что её команда AI Research вместе с Google работает над объединением Gemini 3.8 Live с Agentforce, агентной платформой компании для обслуживания клиентов, а вице-президент по продукту Agentforce Боб Ван Остен (Bob Van Osten) описывает сотрудничество как поиск новых способов провести обращение клиента от первого контакта до решения. Specs, которая разрабатывает собственного ИИ-ассистента, устами инженера-программиста Эрика Уолша (Eric Walsh) указывает на обновлённое распознавание голосовой активности и более низкую задержку, которые компания измерила в ходе тестов.

Каждая секунда сгенерированного звука и видео несёт водяной знак SynthID. Эта система, которую Google DeepMind представила в 2023 году для изображений и позже распространила на текст, звук и видео, встраивает сигнал, который люди не видят и не слышат, но который распознаёт программа. Google проектирует её так, чтобы она переживала типичные преобразования вроде сжатия и перекодирования: ролик, выгруженный из разговора со службой поддержки и опубликованный в другом месте, всё равно можно проверить на происхождение. Это самое конкретное обязательство по безопасности во всём запуске, и оно распространяется на каждый аватар, готовый или собственный. Вторая мера защиты процедурная: собственные аватары доступны только через корпоративный список допуска и отдельную процедуру проверки. Так Google отвечает на очевидное опасение, что одной фотографии и образца голоса хватит, чтобы клонировать реального человека.

Водяной знак появляется и в удобный момент для европейской части бизнеса. Live Avatar поставляется с конечными точками в США и Евросоюзе, а европейский Закон об ИИ (AI Act) содержит правила прозрачности, которые действуют с августа 2026 года: людям нужно сообщать, когда они имеют дело с ИИ-системой, а синтетический звук и видео должны маркироваться в машиночитаемом виде. SynthID закрывает второе требование. Первое ложится на того, кто внедряет аватар, потому что невидимый водяной знак никак не сообщает звонящему, что приветливое лицо на экране сгенерировано. Google может обеспечить маркировку, но раскрытие должно исходить от банка, страховщика или гостиничной сети, которые ставят это лицо перед своими клиентами.

Чего в анонсе нет, так это цены. Ни в одном из объявлений нет цифры за слой аватара; пост в блоге Cloud отсылает к общей странице цен Google на генеративный ИИ и к выделенной пропускной способности (provisioned throughput), а выделенные мощности и собственные аватары оформляются только через менеджера по продажам. Организации могут выбрать лицо из курируемой библиотеки готовых вариантов или создать своё по одной эталонной фотографии, аудиообразцу и набору системных инструкций, однако этот путь закрыт допуском и не работает в режиме самообслуживания. Extended Thinking для модели Live остаётся в закрытом предварительном доступе, и пока это ограничивает глубину её рассуждений по сравнению с другими моделями Gemini от Google. Данные о задержке и лимиты одновременных сеансов не опубликованы. Такой ограниченный профиль соответствует тому, как Google обычно выводит корпоративные продукты: цена и мощности обсуждаются в переговорах, а не публикуются.

К тому же аватар приходит в категорию, которая уже существует. Такие компании, как Synthesia, HeyGen и D-ID, построили бизнес на сгенерированных ведущих, в основном для обучения, маркетинга и локализованного видео, которое рендерится заранее, а не в прямом эфире. Предложение Google отличается в одном отношении: лицо привязано к той же модели, которая слушает, рассуждает и вызывает инструменты, причём внутри консоли, где компании уже строят своих агентов. Рядом стоит более широкое семейство аудиомоделей: Gemini 3.5 Transcribe, Gemini 3.5 Live Translate и два варианта синтеза речи из текста, Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Для компании, у которой уже работают агенты на Gemini, добавить лицо становится вопросом настройки, а не отдельного контракта с поставщиком, и именно на эту комплектность специализированным игрокам придётся отвечать.

Ряд вопросов материалы о запуске оставляют открытыми. Лицо порождает ожидания, которых не порождает голос: звонящие считывают выражение лица, и аватар, который улыбается в момент отказа в выплате, может восприниматься хуже, чем нейтральный голос с тем же ответом. Значение имеет и пропускная способность канала: потоковому видеоагенту нужно от соединения клиента больше, чем телефонной линии, а многие рынки, где многоязычная поддержка ценнее всего, одновременно и те, где мобильный интернет обходится дороже всего. Ничего из этого нельзя измерить по анонсу. Это проявится или не проявится в показателях удовлетворённости и завершённых обращений у первых крупных внедрений.

Gemini 3.8 Live с Live Avatar уже доступна в консоли Gemini Enterprise и через Gemini Live API, а для разработчиков потоковых агентов предусмотрен Agent Development Kit. У Extended Thinking нет опубликованных сроков за пределами нынешней закрытой группы предварительного доступа. Компании, которые внедрят эту технологию, ответят на вопрос, на который сама технология ответить не может: делает ли устранение визуального сигнала, по которому узнаётся автоматизированное взаимодействие, опыт людей на другом конце лучше, или же оно убирает последний честный признак того, что такое взаимодействие вообще происходит.

Теги: Google, Gemini, customer service, enterprise AI, lip sync, speech recognition