Gemini 3.8 Live Avatar讓AI客服有了臉價格仍未公布

Google替旗下的語音對語音模型裝上一張唇形同步的即時影片臉孔，第一批賣給客服櫃台與汽車展間。每一格畫面都帶有SynthID浮水印；所有發表文件都沒有替這張臉標上價格。

二十年來，客服一直隔著一個空白的盒子和人對話：電話語音選單、聊天對話框，或是背後空無一物的合成語音。9月25日，Google在Gemini Enterprise中全面推出搭載Live Avatar的Gemini 3.8 Live，這項產品正面嘗試用一張臉填滿那個盒子。虛擬化身會說話，唇形與話語同步，會做出表情，還能在背景查找資料的同時持續交談。它支援97種語言，客戶在通話中途切換語言時，它也會跟著切換。Google鎖定的不是展示舞台，而是保險理賠、飯店入住與買車的現場。這個選擇清楚說明了，這家公司認為語音AI的錢在哪裡。

這張臉底下運作的是Gemini 3.8 Live，也就是Google在前一週發表的原生語音對語音模型，同時推出的還有Extended Thinking版本。所謂語音對語音，是指模型聽到音訊後直接以音訊回答，不必先把對話轉成文字、再轉回語音。舊一代語音機器人採用接力式架構：一套系統把來電者的話轉成文字，第二套系統決定要說什麼，第三套系統再把答案唸出來。每一次交棒都會增加延遲，也會磨掉語氣。這正是那些機器人會搶話、聽漏對方插話、留下機械式長時間沉默的原因。原生模型拿掉了接力，把說話的節奏留在單一系統裡。

Live Avatar在這個迴圈上加了一層串流影片。影片疊加技術是在音訊產生之後才驅動臉部動畫，Live Avatar的不同之處在於，音訊與影片是在同一條即時推論路徑中一起生成，而不是依序處理的前後步驟。正是這種耦合讓延遲低到足以支撐自然的一來一往，也讓嘴唇準確對上音節，而不是慢半拍跟在後面。模型在交談的同時還能讀取即時鏡頭畫面與螢幕分享，並能在客戶的螢幕上標示出特定元素。客戶不只能描述問題，還能直接把問題秀出來，AI代理也能反過來指出答案在哪裡。

這項產品並非憑空出現。Google最早在Google Cloud Next 2026預覽了Live Avatar，而Live系列可以追溯到2024年：那一年Gemini Live以手機語音模式的形式登場，同年12月，Multimodal Live API也隨Gemini 2.0一起向開發者開放。每一代版本都把同一個想法再往前推一點：減少讓人察覺「輪流發言」的來回，減少讓機器露出馬腳的停頓。介紹虛擬化身的消費者版文章於9月24日發布，由研究科學家Shuo-yiin Chang與軟體工程師CJ Zheng代表Gemini音訊團隊具名發表。隔天，企業版正式上線的消息接著在Google Cloud部落格公布。這個先後順序，透露了Google期待哪一群客戶掏錢。

對客服部署來說，臉本身遠不如臉背後發生的事重要。Gemini 3.8 Live以非同步方式執行工具呼叫與API呼叫：先回應已收到請求，對話持續進行，同時在背景調閱訂單、核對保單條款或查詢庫存。Google表示，即使對話被打斷，它也能恢復過來，不會遺失脈絡，也不會中斷進行中的後端交易。而這種故障，正是最常把一肚子火的來電者送回電話選單起點的元凶。這個差別很容易被低估。等資料庫回應時沉默六秒的機器人，讓人覺得它壞了；說一聲正在查詢、接著繼續聊的機器人，讓人覺得對面是一位櫃台人員。

Google主打的範例是保險理賠。客戶把手機鏡頭對準受損處，一邊拍一邊說明，AI代理在對話過程中填寫理賠紀錄，同時一組以Google的Agent Development Kit打造的背景代理負責核對保單，並彙整理賠查勘人員需要的文件包。這組代理的程式碼以開源範例的形式附在發表資料中，可見Google希望開發者照抄的不只是這張臉，還有這套架構。Google舉的另一個例子則平凡得多：飯店入住登記。兩個例子描述的是同一種設計。這個虛擬化身是一套工作流程的前端，而不是照稿念的「會說話的頭像」。

第二根支柱是語言處理。語言偵測會自動進行。Google表示，虛擬化身在同一個工作階段中於97種語言之間切換時，影片擬真度不會下降，也不會出現畫面飄移，唇部動作會配合新的語言調整，而不是沿用舊語言的口型。切換過程不需轉接、不需重新載入系統，也沒有明顯停頓。在印度、奈及利亞或菲律賓，客戶在一通電話裡穿梭於兩、三種語言之間，是客服專線的日常。在這樣的市場，這正是一套堪用的系統，和一套逼人在說明來電原因之前先從選單挑語言的系統之間的差別。

最能說明規模的是Equal AI，這家公司在印度開發個人AI助理，不過它公布的數字描述的是語音模型，而不是虛擬化身。該公司表示，目前已以9種印度語言每天處理超過100萬通即時通話；執行長Akhilesh Damaraju（阿基萊什·達馬拉朱）認為，Gemini 3.8 Live帶來了更好的插話處理、更可靠的多語對話，以及更穩定的工具呼叫。若要以真人客服達到同樣的服務時段與排班涵蓋範圍，這樣的通話量在經濟上根本行不通。這類部署背後的設計前提不在於概念驗證，而在於吞吐量。在這種規模下，每一輪對話省下的每一秒都會累積起來。

這次發表中出現的其他名字，指向市場上截然不同的位置。Cox Automotive為Autotrader打造了對話式虛擬化身，讓購車者用自己的話描述想要的車，系統會在螢幕上標示出符合條件的車款，並呼叫搜尋、比較與融資等工具；Cox Automotive產品長Marianne Johnson（瑪麗安·強森）將它定位為篩選條件與選單的替代方案。Salesforce表示，旗下的AI Research團隊正與Google合作，把Gemini 3.8 Live與自家的服務代理平台Agentforce結合；Agentforce產品副總裁Bob Van Osten（鮑伯·范歐斯頓）把這項合作形容為尋找新方法，讓一張服務案件從第一次接觸一路走到結案。自行開發AI助理的Specs，則透過軟體工程師Eric Walsh（艾瑞克·沃許）點出測試中量到的語音活動偵測改進與更低的延遲。

生成的每一秒音訊與影片都帶有SynthID浮水印。這套系統由Google DeepMind在2023年推出，最初用於圖片，後來擴展到文字、音訊與影片，嵌入的是一種人看不見也聽不到、但軟體偵測得到的訊號。Google的設計目標是讓浮水印撐過壓縮、重新編碼等常見處理，因此就算一段從客服通話匯出的影片被貼到別的地方，仍然可以查證它的來源。這是這次發表中最具體的安全承諾，而且適用於所有虛擬化身，不論是預設還是自訂。第二道防線在流程上：自訂虛擬化身必須列入企業許可清單，並通過另一套驗證程序。外界顯然擔心，一張照片加一段語音樣本就足以複製一個真實的人，這就是Google的回應。

對歐洲業務來說，浮水印也來得正是時候。Live Avatar在美國與歐盟都設有服務端點，而歐盟《人工智慧法》的透明度規定自2026年8月起適用，要求必須告知民眾正在與AI系統互動，也要求合成的音訊與影片以機器可讀的方式加上標記。SynthID處理的是第二項義務。第一項義務則落在部署虛擬化身的一方，因為一個誰都看不到的浮水印，沒辦法告訴來電者螢幕上那張親切的臉是生成的。標記可以由Google提供；告知卻必須由把這張臉擺到客戶面前的銀行、保險公司或連鎖飯店自己來做。

這次發表刻意不提的是價格。兩篇公告都沒有替虛擬化身這一層開出數字；Cloud部落格文章只指向Google生成式AI的通用定價頁面與佈建輸送量，而佈建容量和自訂虛擬化身都得透過業務代表洽談。企業可以從精選的預設臉孔庫中挑選，也能憑一張參考照片、一段音訊樣本和一組系統指令打造自己的臉孔，但自訂這條路設有門檻，並非自助開通。Live模型的Extended Thinking仍在非公開預覽階段，因此目前推理深度比不上Google其他的Gemini模型。延遲數據與同時連線的工作階段上限都沒有公布。這種處處設限的樣貌，符合Google推出企業產品的一貫節奏：價格和容量靠談判，而不是公開標價。

這個虛擬化身踏進的也是一個早已存在的類別。Synthesia、HeyGen和D-ID等公司靠生成式虛擬主持人打下事業，用途大多是教育訓練、行銷與在地化影片，而且是事先算圖，不是即時生成。Google的賣點只在一件事上不同：這張臉連接的正是負責聆聽、推理和呼叫工具的同一個模型，而且就在企業原本打造AI代理的那個控制台裡。它身旁還有一個更大的音訊模型家族，包括Gemini 3.5 Transcribe、Gemini 3.5 Live Translate，以及兩款文字轉語音模型Gemini 3.8 Flash TTS與Gemini 3.8 Flash-Lite TTS。對已經在跑Gemini代理的公司來說，加一張臉成了一個設定選項，而不是另簽一份供應商合約。這種綁售，正是專業廠商必須回應的競爭威脅。

發表資料沒有回答的問題依然存在。一張臉會帶來聲音不會帶來的期待：來電者會解讀表情，一個一邊拒絕理賠一邊微笑的虛擬化身，給人的觀感可能比用中性語氣說出同樣答案的聲音更差。頻寬也是問題。串流影片代理對客戶網路連線的要求高過一條電話線，而多語客服最有價值的許多市場，偏偏也是行動數據最貴的地方。這些都無法從一篇發表文章裡衡量。答案會出現在第一批大規模部署的滿意度與完成率數字裡，也可能不會出現。

搭載Live Avatar的Gemini 3.8 Live現已在Gemini Enterprise控制台與Gemini Live API上線，開發者打造串流代理的途徑則是Agent Development Kit。Extended Thinking除了目前的非公開預覽群組之外，沒有公布任何時程。部署它的企業，將回答一個技術本身無法回答的問題：拿掉那個標示這是自動化互動的視覺訊號，究竟會改善另一端使用者的體驗，還是會抹去提醒這種互動正在發生的最後一個誠實標誌。

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