metadataJson
articleBody
Google 官方部落格在 2026 年 9 月 24 日發布 Gemini 3.8 Live with Live Avatar，作者為研究科學家 Shuo-yiin Chang 與軟體工程師 CJ Zheng，代表 Gemini Audio Team。這項更新延續上週 Gemini 3.8 Live 的發布節奏，重點在於替原本已具備即時對話能力的模型加上視覺存在感。對企業而言，對話 AI 不再只是文字回覆或語音應答，而是能以動態虛擬角色聆聽、觀看並開口說話，進一步接近人與人之間自然互動的樣貌。
背景：對話 AI 為何需要視覺存在
過去企業導入對話式 AI，多半聚焦在文字客服、語音助理或知識查詢。這些系統能處理大量問題，但互動過程仍偏向工具式問答，缺少臉部表情、眼神與肢體語言等交流線索。Google 指出，人類對話本質上就是多模態行為，人們在交談時會同時聆聽、觀看、說話，並透過表情輔助溝通。若 AI 只能輸出聲音或文字，就很難完整承接這種交流方式。
Live Avatar 要解決的正是這個落差。它把近即時影片生成與語音能力原生結合，讓 Gemini 的即時對話模型擁有可視化的角色形象。這個角色不是預錄動畫，而是能根據對話內容產生唇形同步、自然表情與流暢輪替發言。對企業來說，這代表虛擬服務可以從單純的語音或文字介面，擴展成更具互動性的視覺體驗，例如更有臨場感的客戶服務，或能引導操作流程的互動導覽。
核心能力：聽、看、說與即時回應
Gemini 3.8 Live with Live Avatar 的關鍵在於同時處理視覺與音訊輸入。它能接收使用者看到的畫面與聽到的聲音，並以帶有表情的語音與影片做出回應。這種多模態處理讓對話不再只是輪流傳遞文字，而是更接近面對面交流。Google 在發布內容中展示，Live Avatar 可以支援多種角色，每個角色都有不同外觀、聲音與表達風格，企業可依情境選擇合適的虛擬人物。
唇形同步與表情控制是視覺可信度的核心。若嘴型與語音不一致，使用者很快就會感到不自然，甚至降低對系統的信任。Live Avatar 強調精確唇形同步、自然表情與流暢的發言輪替，目的就是讓互動過程不因技術限制而中斷。這項功能已經在 Gemini Enterprise 提供，Gemini Enterprise 是 Google 針對企業場景推出的 AI 方案，讓組織能在既有工作流程與服務管道中導入這些能力。
非同步工具呼叫與全球語言支援
視覺化身若只能聊天，價值仍然有限。Live Avatar 背後由 Gemini 的進階推理能力支撐，並具備非同步工具呼叫機制。當對話需要查詢外部資料或執行特定任務時，系統可以在背景觸發工具呼叫並取得資料，同時繼續進行中的對話。Google 以飯店入住流程為例，說明 Live Avatar 如何在與旅客對話的同時，於背景完成查詢或系統操作，讓對話不因等待資料而停頓。
這種設計的實務意義在於，企業服務往往需要串接訂單、會員、庫存或預約系統。若每次查詢都必須暫停對話，使用者體驗就會碎片化。非同步工具執行讓虛擬角色維持連續存在感，也讓複雜任務能在對話流程中完成。不過，工具呼叫的結果是否正確，仍取決於後端系統整合、資料品質與權限設計，這些並非虛擬人偶本身能單獨保證。
多語言能力則是另一個面向全球部署的重點。Live Avatar 具備原生多語言語音轉語音同步，能動態調整唇形與表情，並在 97 種語言之間無縫轉換。Google 表示，這種轉換不會降低影片保真度，也不會產生視覺漂移。對跨國企業而言，這表示同一個虛擬服務角色可以服務不同語言的使用者，而不必為每種語言重新製作一套視覺內容。語言切換若能在對話中途自然完成，將有助於降低全球客服與導覽服務的建置成本。
品牌自訂、信任機制與實務限制
企業通常需要符合品牌識別的視覺身分。除了內建的多樣預設虛擬人偶庫，Google 也允許組織自訂 Live Avatar。開發者可以從高品質參考圖像生成完整動畫且可回應的虛擬人偶，同時保留參考人物的相似度、品牌風格或角色身分。這對需要一致品牌形象的企業很重要，例如金融、零售或旅遊業，可能希望虛擬服務角色延續既有代言人或視覺規範。不過，自訂虛擬人偶建立目前僅透過企業 allowlisting 提供，也就是需要經過審核與開通，並非所有使用者都能立即使用。
信任與透明是這類技術能否被廣泛採用的另一項條件。Google 表示，Live Avatar 在設計上加入嚴格防護措施，以尊重身分並維持 AI 生成內容的透明度。所有由相關 AI 產品生成的輸出都會嵌入 SynthID 浮水印。SynthID 是一種不可感知的浮水印技術，直接織入音訊與影片輸出中，讓 AI 生成內容更容易被偵測，以協助減少錯誤資訊與錯誤歸因。對企業來說，這代表在客服、行銷或導覽場景中使用虛擬化身時，仍保留一定的可追溯性。Google 也建議讀者參考模型卡，了解其安全與負責任部署方式。
影響與限制
Gemini 3.8 Live with Live Avatar 的意義，在於把即時對話 AI 從語音助理推進到具視覺存在的互動代理。當系統能同時聽、看、說，並在背景執行工具任務，企業就能設計更接近真人接待的數位服務。這對於需要引導、解說與即時回應的場景特別有價值，例如客服櫃檯、產品導覽、教育訓練或跨語言服務窗口。視覺化也能降低部分使用者對純文字或純語音介面的理解門檻。
不過，這項功能目前定位在企業應用，透過 Gemini Enterprise 提供，並可從 API 文件開始接入。自訂虛擬人偶仍受 allowlisting 限制，意味著短期內並非全面開放。多語言支援雖然涵蓋 97 種語言，實際體驗仍會受到網路延遲、裝置效能與服務整合影響。非同步工具呼叫能維持對話流暢，但任務成敗仍取決於後端工具與資料是否可靠。浮水印有助於透明與防範錯誤資訊，卻不是內容正確性的保證。
整體來看，Google 這次發布把即時影片生成、語音對話、多模態輸入與工具呼叫整合到企業級對話 AI 中。它展示的不只是更華麗的虛擬人偶，而是對話代理在視覺、語言與任務執行上的同步能力。對正在評估虛擬服務的組織而言，值得關注的重點包括 Gemini Enterprise 的可用範圍、API 整合方式、自訂角色的開通條件，以及 SynthID 在實際部署中的可偵測性與治理流程。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。