Gemini 3.8 Live Avatar ger AI-kundtjänsten ett ansikte på 97 språk

Google har gett sin tal-till-tal-modell ett läppsynkat videoansikte i realtid och sålt det först till kundtjänster och säljgolv. Varje bildruta bär en SynthID-vattenstämpel; inget lanseringsdokument sätter något pris på ansiktet.

Kundtjänst har i två decennier pratat med människor genom en tom låda: en telefonmeny, en chattbubbla, en syntetisk röst utan något bakom. Den 25 september gjorde Google Gemini 3.8 Live med Live Avatar allmänt tillgängligt i Gemini Enterprise, och produkten är ett direkt försök att fylla den lådan med ett ansikte. Avataren talar, rör läpparna i takt med orden, visar ansiktsuttryck och fortsätter prata medan den letar upp information i bakgrunden. Den fungerar på 97 språk och byter mellan dem mitt i samtalet när kunden gör det. Google riktar den mot skadeärenden hos försäkringsbolag, incheckning på hotell och bilköp snarare än mot demoscener, vilket säger en hel del om var företaget tror att pengarna i röst-AI finns.

Under ansiktet finns Gemini 3.8 Live, den inbyggda tal-till-tal-modell som Google presenterade veckan innan tillsammans med en variant kallad Extended Thinking. Tal-till-tal innebär att modellen hör ljud och svarar med ljud utan att först göra om samtalet till text och tillbaka igen. Äldre röstrobotar var byggda som en stafett: ett system transkriberade den som ringde, ett andra bestämde vad som skulle sägas och ett tredje läste upp svaret. Varje växling lade till fördröjning och skalade bort tonfallet, och det är därför de robotarna pratade i mun på folk, missade avbrott och lämnade långa, mekaniska tystnader. En inbyggd modell tar bort stafetten och håller talets rytm inom ett enda system.

Live Avatar lägger ett strömmande videolager i den slingan. Det som skiljer den från videoöverläggstekniker, där ett ansikte animeras efter att ljudet redan finns, är att ljud och bild genereras i samma direktsända inferenskedja i stället för i steg efter varandra. Den kopplingen håller fördröjningen tillräckligt låg för ett naturligt fram och tillbaka, och det är därför läpparna landar på stavelserna i stället för att släpa efter dem. Modellen läser också av kameraflöden och skärmdelning i realtid medan den pratar, och den kan markera element på kundens skärm. Den som ringer kan alltså visa ett problem och inte bara beskriva det, och agenten kan i sin tur peka ut svaret.

Produkten dök inte upp från ingenstans. Google visade Live Avatar första gången på Google Cloud Next 2026, och själva Live-serien går tillbaka till 2024, då Gemini Live kom som röstläge i mobilen och Multimodal Live API öppnades för utvecklare tillsammans med Gemini 2.0 i december samma år. Varje version har drivit samma idé lite längre: färre replikskiften som märks som skiften, färre pauser som avslöjar maskinen. Konsumentinlägget som presenterade avataren publicerades den 24 september och var undertecknat av forskaren Shuo-yiin Chang och mjukvaruingenjören CJ Zheng för Gemini Audio Team. Den allmänna tillgängligheten för företag följde en dag senare på Google Cloud-bloggen, vilket säger en del om vilken publik Google räknar med ska betala.

I en kundtjänstmiljö betyder ansiktet mindre än det som händer bakom det. Gemini 3.8 Live gör verktygs- och API-anrop asynkront: modellen bekräftar begäran, håller samtalet igång och hämtar en order, kontrollerar ett försäkringsvillkor eller söker i lagersaldot i bakgrunden. Enligt Google återhämtar sig modellen från avbrott utan att tappa sammanhanget eller den pågående transaktionen i backend-systemet, och det är just det felet som oftast skickar en frustrerad kund tillbaka till början av telefonmenyn. Skillnaden är lätt att underskatta. En robot som tystnar i sex sekunder medan en databas svarar känns trasig; en som säger att den kollar och fortsätter prata känns som en handläggare.

Googles paradexempel är en skadeanmälan. Kunden riktar mobilkameran mot skadan och berättar vad som hänt, agenten fyller i skadeärendet medan de pratar, och ett team av bakgrundsagenter byggda med Googles Agent Development Kit kontrollerar försäkringen och sätter ihop det underlag som en skadereglerare behöver. Koden till det agentteamet länkas från lanseringsmaterialet som ett exempel med öppen källkod, ett tecken på att Google vill att utvecklare ska kopiera arkitekturen lika mycket som ansiktet. Företagets andra exempel är mer vardagligt: en hotellgäst som checkar in. Båda beskriver samma upplägg. Avataren är framsidan av ett arbetsflöde, inte ett pratande huvud som läser från ett manus.

Språkhanteringen är den andra pelaren. Språket identifieras automatiskt, och enligt Google kan avataren röra sig mellan sina 97 språk inom samma session utan att videokvaliteten försämras eller att bilden börjar glida, och läpprörelserna anpassas till det nya språket i stället för att behålla munformerna från det gamla. Bytet sker utan överlämning, utan omstart av systemet och utan märkbar paus. På marknader där kunderna rör sig mellan två eller tre språk i ett och samma samtal, vilket är vardag på supportlinjer i Indien, Nigeria och Filippinerna, är det skillnaden mellan ett användbart system och ett som tvingar folk att välja språk i en meny innan de ens hunnit förklara varför de ringer.

Equal AI, ett företag som bygger en personlig AI-assistent i Indien, ger den tydligaste bilden av skalan, även om dess siffror gäller röstmodellen och inte avataren. Enligt företaget hanterar det redan mer än en miljon direktsamtal om dagen på nio indiska språk, och vd:n Akhilesh Damaraju tillskriver Gemini 3.8 Live bättre hantering av avbrott, pålitligare flerspråkiga samtal och stabilare verktygsanrop. Den volymen vore ekonomiskt ogenomförbar med mänskliga handläggare vid samma tillgänglighet och schemaläggning. Designantagandet bakom en sådan driftsättning är inte ett konceptbevis. Det handlar om genomströmning, och vid den volymen blir varje sekund som kapas från en replikväxling till betydande summor.

De andra namnen i lanseringen pekar mot olika delar av marknaden. Cox Automotive har byggt en konversationsavatar för Autotrader som låter köpare beskriva bilen de vill ha med egna ord, markerar träffar på skärmen och anropar verktyg för sökning, jämförelse och finansiering; Marianne Johnson, produktchef på Cox Automotive, beskriver den som en ersättning för filter och menyer. Salesforce uppger att dess AI Research-team arbetar med Google för att kombinera Gemini 3.8 Live med Agentforce, företagets agentplattform för kundservice, och Bob Van Osten, vice vd med ansvar för produkt inom Agentforce, beskriver samarbetet som ett sökande efter nya sätt att föra ett serviceärende från första kontakt till lösning. Specs, som bygger en egen AI-assistent, lyfter via mjukvaruingenjören Eric Walsh fram den uppdaterade röstaktivitetsdetekteringen och den lägre fördröjning som företaget mätt i sina tester.

Varje sekund av genererat ljud och video bär en SynthID-vattenstämpel. Systemet, som Google DeepMind introducerade 2023 för bilder och senare utvidgade till text, ljud och video, bäddar in en signal som människor inte kan se eller höra men som programvara kan upptäcka. Google utformar den för att tåla vanliga omvandlingar som komprimering och omkodning, så att ursprunget hos ett klipp som exporterats från ett supportsamtal och publicerats någon annanstans fortfarande kan kontrolleras. Det är lanseringens mest konkreta säkerhetsåtagande, och det gäller varje avatar, färdig eller specialbyggd. Det andra skyddet är processmässigt: specialbyggda avatarer ligger bakom en godkännandelista för företag och en separat verifieringsprocess. Det är Googles svar på den uppenbara oron att ett enda foto och ett röstprov räcker för att klona en verklig person.

Vattenstämpeln kommer också lägligt för den europeiska delen av affären. Live Avatar levereras med slutpunkter i USA och EU, och EU:s AI-förordning innehåller transparensregler, tillämpliga från augusti 2026, som kräver att människor informeras när de har att göra med ett AI-system och att syntetiskt ljud och video märks på ett maskinläsbart sätt. SynthID täcker den andra skyldigheten. Den första ligger hos den som driftsätter avataren, eftersom en vattenstämpel som ingen kan se inte säger något till den som ringer om att det vänliga ansiktet på skärmen är genererat. Google kan stå för märkningen; upplysningen måste komma från banken, försäkringsbolaget eller hotellkedjan som ställer ansiktet framför sina kunder.

Det lanseringen håller inne med är priset. Inget av tillkännagivandena anger någon siffra för avatarlagret; Cloud-inlägget hänvisar till Googles allmänna prissida för generativ AI och till reserverad kapacitet (provisioned throughput), och både reserverad kapacitet och specialbyggda avatarer går via en säljare. Organisationer kan välja ur ett kurerat bibliotek med färdiga ansikten eller bygga ett eget utifrån ett enda referensfoto, ett ljudprov och en uppsättning systeminstruktioner, men den specialbyggda vägen kräver godkännande och är inte självbetjäning. Extended Thinking för Live-modellen ligger kvar i privat förhandsversion, vilket tills vidare begränsar resonemangsdjupet jämfört med Googles andra Gemini-modeller. Siffror för fördröjning och gränser för samtidiga sessioner har inte publicerats. Den begränsade profilen stämmer med hur Google stegvis släpper företagsprodukter, med priser och kapacitet som förhandlas fram i stället för att anslås offentligt.

Avataren kliver dessutom in i en kategori som redan finns. Företag som Synthesia, HeyGen och D-ID har byggt verksamheter på genererade presentatörer, främst för utbildning, marknadsföring och lokaliserad video som renderas i förväg och inte i realtid. Googles erbjudande skiljer sig på en punkt: ansiktet sitter på samma modell som lyssnar, resonerar och anropar verktygen, inne i den konsol där företagen redan bygger sina agenter. Det står bredvid en bredare familj av ljudmodeller som omfattar Gemini 3.5 Transcribe, Gemini 3.5 Live Translate och två text-till-tal-varianter, Gemini 3.8 Flash TTS och Gemini 3.8 Flash-Lite TTS. För ett företag som redan kör Gemini-agenter blir ett ansikte en konfigurationsfråga snarare än ett separat avtal med en annan leverantör, och den paketeringen är det konkurrenshot som specialisterna måste besvara.

Det finns öppna frågor som lanseringsmaterialet inte tar upp. Ett ansikte väcker förväntningar som en röst inte gör: den som ringer läser av ansiktsuttryck, och en avatar som ler medan den avslår ett skadeärende kan tas emot sämre än en neutral röst som ger samma besked. Bandbredden spelar också roll, eftersom en strömmande videoagent kräver mer av kundens uppkoppling än en telefonlinje, och många av de marknader där flerspråkig support är mest värdefull är också de där mobildata är dyrast. Inget av detta går att mäta utifrån ett lanseringsinlägg. Det kommer att synas, eller inte synas, i nöjdhets- och slutförandesiffrorna från de första stora driftsättningarna.

Gemini 3.8 Live med Live Avatar finns nu i Gemini Enterprise-konsolen och via Gemini Live API, med Agent Development Kit som utvecklarnas väg till strömmande agenter. För Extended Thinking finns ingen publicerad tidplan utöver den nuvarande privata förhandsgruppen. De företag som tar den i bruk kommer att besvara en fråga som tekniken själv lämnar öppen: om det förbättrar upplevelsen för människorna i andra änden att ta bort den visuella signal som avslöjar en automatiserad interaktion, eller om det tar bort den sista ärliga indikationen på att en sådan pågår.

Taggar: Google, artificial intelligence, Gemini, customer service, enterprise AI, lip sync