Google introducerer Live Avatar‑visuel tilstedeværelse i Gemini 3.8 Live

Google introducerede den 24. september 2026 Gemini 3.8 Live med Live Avatar, en funktion der tilføjer næsten realtidsgenereret video til talen fra sine modeller udviklet til livedialog, og gjorde den generelt tilgængelig i Gemini Enterprise med slutpunkter i USA og EU.

Meddelelsen, skrevet af forsker Shuo-yiin Chang og softwareingeniør CJ Zheng på vegne af Gemini Audio Team, præsenterer funktionen som et visuelt tilstedeværelseslag for Geminis konverserende AI. Google siger, at dens præcise læbesynkronisering, naturlige udtryk og flydende skift mellem samtaleparternes taleture gør det muligt for virksomheder at udvide virtuelle tilbud såsom kundeservice og interaktive gennemgange.

Udgivelsen følger Googles lancering den 15. september 2026 af Gemini 3.8 Live og Gemini 3.8 Live Extended Thinking, live‑dialogmodeller som Google positionerede til henholdsvis skalerbar, omkostningseffektiv samtale og meget komplekse ræsonneringsopgaver, som begyndte at blive rullet ud via Gemini API, Google AI Studio, Gemini‑appen, Google Workspace og Search Live.

Generel tilgængelighed i Gemini Enterprise

Gemini 3.8 Live med Live Avatar er generelt tilgængelig i Gemini Enterprise pr. 24. september 2026, og Google Cloud oplyste, at teknologien først blev vist på Google Cloud Next 2026. Udgivelsen tilbydes gennem US‑ og EU‑slutpunkter og omfatter reserveret behandlingskapacitet, overholdelse af virksomhedskrav og streng datastyring, ifølge Google Cloud‑indlægget af Fabien Blanc‑paques, gruppeproduktchef for Gemini Live. Gemini 3.8 Live Extended Thinking forbliver i privat forhåndsvisning.

Enterprise‑kunder kan afprøve modellen i Gemini Enterprise‑konsollen, integrere den via Gemini Live API‑dokumentationen og gennemgå priser på Google Clouds prisoversigt. Google Cloud opfordrer kunderne til at samarbejde med Google Clouds salgsrepræsentanter om reserveret behandlingskapacitet, tilpassede implementeringsarkitekturer og optagelse på tilladelseslisten for brugerdefinerede avatarer.

Hvordan Live Avatar fungerer

Live Avatar behandler visuelle og lydinput samtidigt og svarer med udtryksfuld lyd og video i næsten realtid, ifølge Google. Funktionen understøtter også asynkrone værktøjskald, så den kan starte værktøjskald og hente data i baggrunden uden at afbryde samtalen. En Google‑demonstration viser avataren, der tjekker en hotelgæst ind, mens dialogen fortsætter uden afbrydelse.

Google siger, at avataren justerer sin læbesynkronisering og sine udtryk, når samtaler foregår på 97 sprog, og bevarer videokvaliteten uden visuel drift. Google Cloud‑indlægget tilføjer live‑visuel forståelse af kamera‑feeds og skærmdeling sammen med lyd, genoprettelse efter afbrydelse som bevarer samtalekontekst og backend‑transaktioner, automatisk sproggenkendelse og -overgang uden manuelle skift, samt implementering på web, mobil og interaktive kiosker. En separat Google Cloud‑demonstration viser en agent til modtagelse af forsikringsskadeanmeldelser, der udfylder en notesbog om skadesagen, mens en kunde viser skader på kameraet, mens et agentteam bygget med Googles Agent Development Kit bekræfter policen, anvender reglerne for modtagelse af skadeanmeldelser og samler materialet til taksatoren i baggrunden.

Avatarer, vandmærkning og begrænsninger i modelkort

Organisationer kan implementere fra et bibliotek af forudindstillede avatarer eller generere brugerdefinerede avatarer ud fra et referencebillede af høj kvalitet, og Google siger, at resultatet bevarer ligheden, brand‑stylingen eller karakteridentiteten fra referencen. Adgang til oprettelse af brugerdefinerede avatarer kræver en virksomheds‑tilladelsesliste; Google Cloud beskriver tilladelses‑ og verifikationsprocessen som en sikkerhedsforanstaltning for identitet og mod misbrug. I hver genereret lyd‑ og videostrøm indlejres et umærkbart SynthID‑vandmærke, så AI‑genereret indhold kan opdages.

Ifølge Gemini 3.8 Audios modelkort er modellerne baseret på Gemini 3 Pro. Gemini 3.8 Live accepterer lyd, billeder, video og tekst med et kontekstvindue på op til 128 000 tokens, og med Live Avatar genererer den lyd, video og tekst med en udgangsgrænse på 24 000 tokens. Modelkortet angiver, at Live Avatar‑varianterne producerer udtryksfuld video med naturlige hovedbevægelser synkroniseret til tale, drevet af konfigurerede billeder og lydinput, og at de kan opretholde nogle minutters kontinuerlig interaktion i stedet for flere timer.

Modelkortet opremser kendte begrænsninger, herunder mulige hallucinationer og lejlighedsvis langsomhed eller tidsudløb, og fastsætter vidensgrænsen til januar 2025. Dets frontier‑sikkerhedsvurdering fandt ingen væsentlige nye funktioner eller betydelige præstationsforbedringer i forhold til Gemini 3.7 Flash, og på dette grundlag anser Google Gemini 3.8 Audio‑modellerne for usandsynlige at nå nogen Tracked eller Critical Capability Levels under dets Frontier Safety Framework.

Kundeimplementeringer

Google Cloud nævnte flere virksomheder, der bygger med funktionen. Cox Automotive udviklede en AI‑drevet shoppingassistent til Autotrader, som bruger live skærmmarkering og værktøjskald til at guide bilkøbere gennem køretøjsøgning, sammenligning og finansiering i realtid.

“Købere forventer i stigende grad, at de kan beskrive, hvad de har brug for, med deres egne ord i stedet for at arbejde gennem filtre og menuer. Autotraders nye konverserende AI‑Avatar bringer den oplevelse til søgning efter biler ved at matche naturlig samtale med det rette udvalg af biler,” sagde Marianne Johnson, koncerndirektør og produktchef hos Cox Automotive, i Google Cloud-meddelelsen.

Equal AI’s administrerende direktør Akhilesh Damaraju sagde, at virksomhedens personlige AI håndterer mere end en million live‑opkald dagligt på tværs af ni indiske sprog, og at Gemini 3.8 Live har forbedret håndtering af afbrydelser, flersprogede samtaler og pålidelighed ved værktøjs‑kald. Bob Van Osten, Salesforces produktdirektør for Agentforce, sagde, at Agentforce og Gemini 3.8 Live forenes i et samarbejde mellem Salesforce AI Research og Google, som kombinerer multimodale funktioner i realtid med agentisk AI. Eric Walsh, softwareingeniør hos Specs, sagde, at modellens opdateringer af Voice Activity Detection og forbedringer af latenstid var skridt fremad for AI‑assistenten på SPECS‑platformen.