认识 Gemini 3.8 Live Avatar：语音助手终于有了一张脸

我妈从来不跟家里的智能音箱说话。

不是不会用，我教过她三次。她的原话是："跟一个看不见的人说话，别扭。"

当时我觉得这是老年人特有的执拗。后来自己做了一次语音客服的接入，看到后台数据才反应过来——这根本不是老年人的问题，是所有人的问题。 语音机器人上线后，平均通话时长几乎没变，但满意度掉了二十多个点。用户不是嫌它笨，是嫌它"不像在跟人打交道"。

所以当我看到 Live Avatar 的时候，第一反应其实挺刻薄的：又来？

"数字人"这三个字在国内已经被做烂了。你在直播间看到过那种——嘴在动，声音在响，但嘴型跟发音对不上，表情永远定格在"亲切微笑"。那不叫数字人，那叫会动的证件照。

但把谷歌这次的东西看完，我的刻薄收回了一半。尤其是看到模型卡里那句"只能持续几分钟的连续交互"——一个厂商愿意主动写下"我的东西只能干几分钟"，说明它至少想清楚了边界。 这比吹"7×24 小时不知疲倦"要诚实得多。

什么是 Gemini 3.8 Live Avatar

Gemini 3.8 Live with Live Avatar，发布于 2026 年 9 月 24 日，是上周（9 月 15 日）刚发布的实时对话模型 Gemini 3.8 Live 的一项新能力。官方对它的定义是给对话式 AI 加上一层 "近乎实时的视觉呈现"（real-time visual presence）。

技术上讲，它做了一件听起来简单、实际上很难的事：把实时对话能力和低延迟流式视频原生耦合在一起——官方原话是 natively coupling our live dialogue capabilities with low-latency streaming video。注意"原生耦合"这四个字，不是先把语音生成出来、再拿去驱动一张脸的两段式管线，而是一个端到端的东西。这也是它和市面上大部分"TTS + 数字人驱动"拼装方案的真正分界线。

结果就是一个会听、会看、会说，并且带着一张动态脸的对话体验：

• 听：实时接收你的语音输入
• 看：同时理解摄像头画面和屏幕共享内容
• 说：用同步的语音、唇形和表情回应你

公告署名的两位是 Shuo-yiin Chang（张硕尹，研究科学家） 和 CJ Zheng（软件工程师），代表 Gemini Audio 团队 发布。Google Cloud 那条 GA 公告则由 Gemini Live 组产品经理 Fabien Blanc-paques 署名。

先说清楚定位：这是企业功能，不是玩具。 它首次在 Google Cloud Next 2026 上预览，2026 年 9 月 24 日起在 Gemini Enterprise 正式可用（GA），目前通过美国和欧盟的端点提供服务。谷歌没有宣布消费级版本。

它有哪些特点

我按"哪个最颠覆"排了个序。

• 精确的唇形同步（precise lip-syncing）：这是 Live Avatar 的立身之本。不是"嘴在动"，是嘴型跟发音真的对得上。做过数字人的都知道这两个之间的差距有多大
• 自然的表情与流畅的话轮切换（natural expressions, fluid turn-taking）：它知道什么时候该闭嘴。被打断了能保持对话上下文，能在中断后恢复——这一点在企业场景里比唇形同步还重要
• 97 种语言无缝切换：这是我认为最被低估的一条。原生多语言 speech-to-speech 同步，唇形和表情会随语言动态调整，在 97 种语言之间切换时不降低视频保真度，也不引入视觉漂移。做过本地化的都知道"视觉漂移"有多难搞——换个语言嘴型就开始飘，是这类系统的通病
• 异步工具调用（asynchronous tool calling）：一边跟你说话，一边在后台触发工具调用和拉数据，对话流不中断。官方演示是给酒店客人办入住——它嘴上还在回答你的问题，后台已经把入住手续办完了
• 预设头像库 + 自定义头像：预设库里有不同外观、声音和表现力的角色可选；企业也可以从一张高质量参考图出发生成完整可动的形象，保留参考对象的相似度、品牌风格或角色身份
• 全部署形态覆盖：网页、移动端、交互式 kiosk（就是商场里那种立式触摸屏）都能上
• SynthID 水印：所有输出都织入不可感知的水印，直接嵌进音频和视频里，用于标识 AI 生成内容

一张参考图，就能生成一个会说话、会看摄像头、能帮你办入住的人。

这句话里的技术含量，和这句话里的风险含量，其实是同一个数量级。

真实场景：官方演示和客户怎么说

光看功能列表没意思，我们看它实际被怎么用。

场景一：保险理赔受理。 Google Cloud 的演示里，客户用摄像头展示损失情况，头像一边看一边问；与此同时，由 Google Agent Development Kit（ADK） 构建的 agent 团队在后台验证保单、应用受理规则、组装理赔员文件包。前台一个人在说话，后台一个团队在干活——这是我对 Live Avatar 印象最深的一幅画面。

场景二：购车助理。 Cox Automotive 为 Autotrader 做了一款 AI 购物助理，用实时屏幕高亮加工具调用，引导购车者做车辆搜索、比价和分期。执行副总裁兼首席产品官 Marianne Johnson 的说法很实在：

购物者越来越期待用自己的语言描述需求，而不是通过筛选和菜单。

场景三：百万级通话量验证。 Equal AI CEO Akhilesh Damaraju 说，公司的个人 AI 每天处理超过 100 万通实时通话，覆盖九种印度语言，而 Gemini 3.8 Live 改进了中断处理、多语言对话和工具调用的可靠性。这个量级不是 demo，这是生产环境。

另外两家也值得记一下：Salesforce 产品副总裁 Bob Van Osten 表示 Agentforce 正与 Gemini 3.8 Live 结合，把实时多模态和 agentic AI 捏在一起；Specs 的软件工程师 Eric Walsh 提到语音活动检测（VAD）和延迟的改进对他们平台是重要一步。

顺带补一个口径：在 Artificial Analysis 的 Speech-to-Speech Quality Index 榜上，Gemini 3.8 Live Extended Thinking 以 82.6 分排第一，标准版 Gemini 3.8 Live 排第五。Live Avatar 是架在标准版之上的视觉层。

快速上手：现在到底谁能用

先泼一盆冷水，再说怎么玩。

门槛一：你得是 Gemini Enterprise 客户。 目前 GA 只开在 Gemini Enterprise，走美国和欧盟端点，包含预置吞吐量、企业合规和严格的数据治理。Extended Thinking 仍处于私密预览（private preview），别指望现在就用上。

门槛二：自定义头像要白名单。 从预设头像库里挑一个直接用没问题；想基于参考图生成自己的品牌形象，需要企业白名单许可——Google Cloud 把这道白名单和验证流程描述为防止身份冒用的保障。想要的话，找你的销售代表。

门槛三：钱包。 具体费率在 Google Cloud 定价页查，谷歌这次没公布完整公开的价目表，网上流传的数字先别信。

能用的话，路径是这样的：

1. 打开 Gemini Enterprise 控制台的多模态 Live 体验页：console.cloud.google.com/agent-platform/studio/multimodal-live，先零代码感受一下延迟和唇形
2. 想接进自己的系统，看 Live API 文档：docs.cloud.google.com/gemini-enterprise-agent-platform/models/live-api
3. 要预置吞吐量、定制部署架构、自定义头像白名单——联系你的销售代表，这三条都是走人工的

冷静看：几个必须知道的边界

这部分我觉得比功能列表重要。模型卡里写得挺坦白：

• 只能持续几分钟的连续交互，不是数小时的长时使用。别想着拿它做 7×24 直播
• 输出上限 24K tokens：Live Avatar 变体输出音频、视频和文本，但受限于 24K tokens 的输出上限（输入侧支持音频、图像、视频、文本，上下文窗口可达 128K tokens）
• 基于 Gemini 3 Pro，知识截止时间是 2025 年 1 月。问它之后的事会瞎编
• 已知局限包括可能出现幻觉，以及偶发的慢速或超时
• 前沿安全评估：相较 Gemini 3.7 Flash，没有发现显著的新功能或实质性性能提升。谷歌据此判断 Gemini 3.8 Audio 系列不太可能在其前沿安全框架下达到任何已跟踪或关键能力水平

还有一条不是技术边界，是现实边界：用户愿不愿意跟一张合成的脸说话？

技术能做不等于用户接受。如果你要部署，至少要提前想清楚三件事——客户能不能接受跟合成面孔对话、你要怎么向对方披露这是 AI、以及白名单规则对自建形象有什么要求。这三件事没想清楚之前，先别急着上线。

顺便把谷歌现在的音频产品线理一下，别用错工具：

• Gemini 3.8 Live（9/15）：实时语音对话
• Gemini 3.8 Live with Live Avatar（9/24）：实时语音 + 视觉形象
• Gemini 3.8 Flash TTS / Flash-Lite TTS（9/23）：文本转语音，念稿
• Gemini 3.5 Transcribe：语音转写

对话用 Live，有脸用 Avatar，念稿用 TTS，听写用 Transcribe。

最后两句实话

我妈那句"跟看不见的人说话别扭"，本质上说的是一件事：人和人之间的信任，很大一部分是靠脸建立的。 我们判断对方有没有在听、有没有听懂、有没有敷衍，靠的不是用词，是表情和时机。

所以 Live Avatar 真正做的事，不是"给语音助手加了个动画"。它是把对话里那部分非语言的信息补回来了——嘴型对不对得上、该不该闭嘴、被打断之后能不能接上。这三个问题，任何一个做不好，都会让人立刻意识到"对面是个机器"。

至于那张脸带来的风险，我的看法跟上次聊声音复刻时一样：这类技术早晚会出现，区别只在于它出现的时候，水印和授权机制有没有一起到位。 谷歌这次至少把 SynthID 织进了每一帧音视频，还把自定义头像锁在企业白名单后面。这不是完美的答案，但它是一个认真的开始。

最后提醒一句：几分钟，不是几小时。 想清楚你要它干的那件事是不是真的只需要几分钟——如果是，它可能正合适。

进阶

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。