谷歌发布 Gemini 3.8 Live with Live Avatar，将低延迟视频生成与实时语音模型结合，使企业语音代理具备同步口型、自然表情和持续执行后台工具调用的能力，面向客服与交互导览等企业场景优先开放。该功能支持97种语言实时切换并内嵌不可感知水印，但企业仍需关注权限、审计和失败恢复等工程与信任问题。
谷歌推出 Gemini 3.8 Live with Live Avatar，试图把实时语音对话从“能听见、能回答”推进到“能看见、能表达、能持续执行任务”。这项功能将低延迟视频生成与 Gemini 的实时语音模型结合，使企业代理能够以带有表情、口型同步和连续动作的视觉形象参与对话。
谷歌在 2026 年 9 月 24 日发布的官方公告称，Live Avatar 已开始在 Gemini Enterprise 中提供。与面向普通消费者的虚拟形象展示不同，这次发布首先把重点放在企业客服、互动导览和其他需要持续交流的场景上。
从实时语音到实时视觉存在
Live Avatar 的核心变化，不是给聊天机器人增加一个静态头像，而是让模型在语音交互过程中同步生成近实时的视频表现。谷歌称，系统支持精确的口型同步、自然表情和更流畅的轮流发言，从而让企业代理更接近面对面的交流方式。
这条路线建立在谷歌一周前发布的 Gemini 3.8 Live 之上。此前发布的模型面向实时语音代理，能够处理视觉输入，在对话继续进行的同时执行工具和 API 调用，并在 97 种支持语言之间自动切换。谷歌当时还发布了 Gemini 3.8 Live Extended Thinking，用于需要更复杂、多步骤推理的任务。AIFlux此前对Gemini 3.8 Live 语音模型的发布已有报道。
谷歌在此前的公告中表示，Gemini 3.8 Live Extended Thinking 在 Artificial Analysis 的 Speech to Speech Quality Index 中获得 82.6 分，并在多个语音代理任务测试中取得较高成绩。不过，这些数字属于谷歌发布时引用的评测结果，不能直接等同于所有语言、噪声环境和企业工作流中的实际表现。
代理可以在保持对话的同时调用工具
Live Avatar 不只是视觉层的升级。谷歌称，该功能支持异步工具调用：代理可以在继续与用户交谈的同时，在后台获取数据或执行工具操作。
例如，代理可以先确认已经收到用户请求，再在后台查询信息，并在任务推进时继续说明状态。这种设计试图避免传统语音系统在调用外部服务时出现长时间沉默，也让视觉形象能够持续保持互动，而不是在等待 API 返回结果时停滞不动。
从开发者角度看，这种架构与 Gemini Live API 的定位相符。该接口支持连续的音频、图像和文本流，并提供函数调用等能力，用于构建实时语音和视觉代理。开发者仍需要自行设计后端连接方式、工具权限和任务失败后的处理机制；实时表达能力并不会自动解决这些工程问题。
97 种语言与可定制形象
谷歌称，Live Avatar 支持在 97 种语言之间进行实时切换，并同步调整口型和表情，以减少跨语言交流时的视觉漂移。该说法是谷歌对产品能力的描述，并不意味着每种语言在不同口音、背景噪声和业务术语下都能达到相同的识别和表达质量。
企业还可以从预设头像库中选择形象，或者定制符合品牌要求的 Live Avatar。谷歌表示，开发者可以提供一张高质量参考图片，生成保留人物相似度、品牌风格或角色身份的动画形象。不过，定制头像目前只对获得企业许可名单资格的用户开放，并非所有 Gemini Enterprise 用户都能立即使用。
这一区分也说明，当前发布更像是面向企业部署的功能开放，而不是一个面向所有用户的普遍产品升级。谷歌公告明确提到 Gemini Enterprise 的可用范围，同时将定制头像列为需要 allowlisting 的能力。
水印能否解决虚拟形象的信任问题
谷歌称，Live Avatar 的音频和视频输出都带有 SynthID 不可感知水印。水印直接嵌入生成内容，目的是帮助识别 AI 生成的音频和视频，降低错误归因和虚假信息传播的风险。
这为企业使用虚拟形象提供了内容溯源机制，但水印本身不能解决身份冒用、错误回答或未经授权操作等问题。对于客服、培训和公共服务等场景，用户仍需要知道自己面对的是 AI 代理；企业也需要保留操作记录，并对涉及账户、付款、个人资料或其他高风险动作的工具调用设置额外确认。
更现实的考验在于，视觉存在感可能让对话显得更自然，却也可能增加用户对系统能力的高估。当代理以自然表情持续回应时，用户或许更容易把它当成一个“在场的人”，而不是一个仍可能误解语境、调用错误工具或无法完成任务的软件系统。
企业语音代理的竞争进入体验与执行并重阶段
Gemini 3.8 Live with Live Avatar 的发布，显示谷歌正在把语音代理的竞争重点从单纯降低延迟，扩展到视觉表现、任务执行和品牌定制。早期语音模型主要解决“听懂并回答”，而 Live Avatar 试图进一步解决“以什么形象持续交流”和“如何在对话中完成工作”。
不过，这种产品化方向也让可靠性问题更加具体。企业需要评估的不只是口型是否同步、表情是否自然，还包括模型能否准确理解实时视觉输入、能否在后台任务失败时清楚告知用户，以及用户是否能在关键操作前及时介入。此前，AIFlux对Gemini 3.5 Transcribe 实时语音转写能力的报道也指出，语音系统的实际价值取决于噪声处理、专业词汇、权限和后续工作流，而不只是单一的识别指标。
Live Avatar 因此更像是实时多模态代理的一次企业化试验：它让 AI 更像一个可以持续交流的“在场角色”，但能否成为可靠的工作界面，仍取决于授权、审计、错误恢复和人工复核等基础设施。对企业而言，真正的产品分水岭不会只是头像看起来是否自然，而是系统能否在保持自然交流的同时，清楚说明自己看到了什么、调用了什么，以及哪些决定仍然需要人来确认。
来源：