Gemini 3.8 Live Avatar daje botom obsługi klienta twarz w 97 językach

Google dał swojemu modelowi typu mowa-na-mowę twarz wideo działającą w czasie rzeczywistym, z ruchem warg zsynchronizowanym z głosem, i w pierwszej kolejności sprzedał ją działom obsługi klienta oraz salonom sprzedaży. Każda klatka nosi znak wodny SynthID; żaden dokument towarzyszący premierze nie podaje ceny za tę twarz.

Obsługa klienta od dwóch dekad rozmawia z ludźmi przez puste pudełko: telefoniczne menu, dymek czatu, syntetyczny głos, za którym nic nie stoi. 25 września Google udostępnił Gemini 3.8 Live z funkcją Live Avatar w Gemini Enterprise w wersji ogólnodostępnej, a produkt jest bezpośrednią próbą wypełnienia tego pudełka twarzą. Awatar mówi, porusza ustami w rytm wypowiadanych słów, pokazuje mimikę i nie przerywa rozmowy, gdy w tle wyszukuje informacje. Działa w 97 językach i przełącza się między nimi w trakcie rozmowy, gdy robi to klient. Google kieruje go do obsługi szkód ubezpieczeniowych, meldowania gości w hotelach i zakupu samochodów, a nie na sceny pokazów, co sporo mówi o tym, gdzie firma upatruje pieniędzy w głosowej AI.

Pod tą twarzą działa Gemini 3.8 Live, natywny model typu mowa-na-mowę (speech-to-speech), który Google zapowiedział tydzień wcześniej razem z wariantem Extended Thinking. Mowa-na-mowę oznacza, że model słyszy dźwięk i odpowiada dźwiękiem, a przy tym nie zamienia najpierw rozmowy na tekst, by potem przerobić ją z powrotem na głos. Starsze boty głosowe działały jak sztafeta: jeden system transkrybował rozmówcę, drugi decydował, co powiedzieć, trzeci odczytywał odpowiedź na głos. Każde przekazanie pałeczki dokładało opóźnienie i zacierało ton, dlatego tamte boty wchodziły ludziom w słowo, nie wyłapywały przerwań i zostawiały długie, mechaniczne cisze. Model natywny likwiduje sztafetę i utrzymuje rytm mowy w obrębie jednego systemu.

Live Avatar dokłada do tej pętli warstwę strumieniowego wideo. Od technik nakładania obrazu, w których twarz jest animowana dopiero wtedy, gdy dźwięk już istnieje, odróżnia go to, że dźwięk i obraz powstają w tej samej ścieżce wnioskowania na żywo, a nie w kolejnych krokach. To sprzężenie utrzymuje opóźnienie na poziomie, który pozwala na naturalną wymianę zdań, i właśnie dzięki niemu usta trafiają w sylaby, zamiast się za nimi wlec. W trakcie rozmowy model odczytuje też obraz z kamery na żywo i udostępniany ekran, a do tego potrafi wyróżniać elementy na ekranie klienta, więc rozmówca może problem pokazać, a nie tylko go opisać, a agent może w odpowiedzi wskazać mu rozwiązanie.

Produkt nie wziął się znikąd. Google po raz pierwszy zaprezentował Live Avatar podczas Google Cloud Next 2026, a sama linia Live sięga 2024 roku, kiedy Gemini Live pojawiło się jako tryb głosowy w telefonach, a w grudniu tego samego roku, wraz z Gemini 2.0, deweloperzy dostali dostęp do Multimodal Live API. Każda kolejna wersja przesuwała tę samą ideę nieco dalej: coraz mniej wyczuwalnych zmian kolejki w rozmowie, coraz mniej pauz, które zdradzają maszynę. Wpis dla użytkowników indywidualnych przedstawiający awatara ukazał się 24 września, a podpisali się pod nim w imieniu zespołu Gemini Audio Shuo-yiin Chang z działu badań naukowych oraz CJ Zheng, inżynier oprogramowania. Ogólna dostępność dla firm nastąpiła dzień później na blogu Google Cloud, co jasno pokazuje, od kogo Google oczekuje zapłaty.

We wdrożeniu w obsłudze klienta twarz ma mniejsze znaczenie niż to, co dzieje się za nią. Gemini 3.8 Live wykonuje wywołania narzędzi i API asynchronicznie: potwierdza przyjęcie prośby, podtrzymuje rozmowę, a w tle pobiera zamówienie, sprawdza warunki polisy albo odpytuje stan magazynu. Według Google model radzi sobie z przerwaniem wypowiedzi bez utraty kontekstu i bez porzucania trwającej transakcji w systemie zaplecza, a to właśnie ta awaria najczęściej odsyła sfrustrowanego rozmówcę na początek drzewa telefonicznego menu. Tę różnicę łatwo zlekceważyć. Bot, który milknie na sześć sekund, gdy baza danych szuka odpowiedzi, sprawia wrażenie zepsutego; bot, który mówi, że sprawdza, i dalej prowadzi rozmowę, przypomina pracownika przy okienku.

Pokazowym przykładem Google jest zgłoszenie szkody ubezpieczeniowej. Klient kieruje kamerę telefonu na uszkodzenia i omawia je na głos, agent w trakcie rozmowy wypełnia formularz zgłoszenia, a zespół agentów działających w tle, zbudowany za pomocą Agent Development Kit od Google, sprawdza polisę i kompletuje dokumentację potrzebną likwidatorowi szkód. Kod tego zespołu agentów jest podlinkowany w materiałach premierowych jako przykład open source, co pokazuje, że Google chce, by deweloperzy kopiowali architekturę w tym samym stopniu co twarz. Drugi przykład firmy jest zwyczajniejszy: gość, który melduje się w hotelu. Oba opisują ten sam projekt. Awatar to fasada procesu biznesowego, a nie gadająca głowa, która czyta scenariusz.

Obsługa języków to drugi filar. Wykrywanie odbywa się automatycznie, a Google twierdzi, że awatar może przechodzić między swoimi 97 językami w obrębie jednej sesji bez pogorszenia jakości obrazu i bez wizualnego dryfu; ruch warg dostosowuje się przy tym do nowego języka, zamiast zachowywać układ ust z poprzedniego. Zmiana następuje bez przekazania rozmowy, bez przeładowania systemu i bez zauważalnej pauzy. Na rynkach, na których klienci w trakcie jednej rozmowy przeskakują między dwoma czy trzema językami, co jest codziennością infolinii w Indiach, Nigerii czy na Filipinach, to różnica między systemem nadającym się do użytku a takim, który zmusza ludzi do wybrania języka z menu, zanim w ogóle wyjaśnią, po co dzwonią.

Equal AI, firma rozwijająca w Indiach osobistego asystenta AI, daje najwyraźniejszy obraz skali, choć jej liczby dotyczą modelu głosowego, a nie awatara. Firma deklaruje, że już teraz obsługuje ponad milion rozmów na żywo dziennie w dziewięciu językach indyjskich, a jej prezes, Akhilesh Damaraju, przypisuje Gemini 3.8 Live lepsze radzenie sobie z przerwaniami, bardziej niezawodne rozmowy wielojęzyczne i stabilniejsze wywołania narzędzi. Taki wolumen byłby ekonomicznie nierealny przy ludzkich konsultantach zapewniających tę samą dostępność i to samo pokrycie grafiku. Założeniem projektowym takiego wdrożenia nie jest weryfikacja koncepcji. Jest nim przepustowość, a przy tej skali każda sekunda urwana z jednej wymiany zdań sumuje się w odczuwalną różnicę.

Pozostałe nazwy obecne przy premierze wskazują na różne krańce rynku. Cox Automotive zbudował dla serwisu Autotrader konwersacyjnego awatara, który pozwala kupującym opisać własnymi słowami samochód, jakiego szukają, wyróżnia na ekranie pasujące oferty i wywołuje narzędzia do wyszukiwania, porównywania i finansowania; Marianne Johnson, dyrektor ds. produktu w Cox Automotive, przedstawia go jako zamiennik filtrów i menu. Salesforce informuje, że jego zespół AI Research pracuje z Google nad połączeniem Gemini 3.8 Live z Agentforce, platformą agentów do obsługi klienta, a Bob Van Osten, wiceprezes ds. produktu w Agentforce, opisuje tę współpracę jako poszukiwanie nowych sposobów na przeprowadzenie zgłoszenia serwisowego od pierwszego kontaktu do rozwiązania. Specs, firma budująca własnego asystenta AI, wskazuje na ulepszone wykrywanie aktywności głosowej i niższe opóźnienia zmierzone w jej testach, o czym mówi inżynier oprogramowania Eric Walsh.

Każda sekunda wygenerowanego dźwięku i obrazu nosi znak wodny SynthID. System, wprowadzony przez Google DeepMind w 2023 roku dla obrazów, a później rozszerzony na tekst, dźwięk i wideo, osadza sygnał, którego ludzie nie widzą ani nie słyszą, ale który oprogramowanie potrafi wykryć. Google projektuje go tak, by przetrwał typowe przekształcenia, takie jak kompresja i ponowne kodowanie, dzięki czemu klip wyeksportowany z rozmowy z infolinią i opublikowany gdzie indziej wciąż można sprawdzić pod kątem pochodzenia. To najbardziej konkretne zobowiązanie w zakresie bezpieczeństwa w całej premierze i dotyczy każdego awatara, gotowego czy tworzonego na zamówienie. Drugie zabezpieczenie ma charakter proceduralny: własne awatary są dostępne wyłącznie dla firm z listy dopuszczonych klientów i przechodzą osobny proces weryfikacji, co jest odpowiedzią Google na oczywistą obawę, że jedno zdjęcie i próbka głosu wystarczą, by sklonować prawdziwą osobę.

Znak wodny pojawia się też w dogodnym momencie dla europejskiej części biznesu. Live Avatar trafia na rynek z punktami końcowymi w Stanach Zjednoczonych i w Unii Europejskiej, a unijny AI Act zawiera przepisy o przejrzystości, obowiązujące od sierpnia 2026 roku, które wymagają informowania ludzi, że mają do czynienia z systemem sztucznej inteligencji, oraz oznaczania syntetycznego dźwięku i obrazu w sposób odczytywalny maszynowo. SynthID spełnia drugi z tych obowiązków. Pierwszy spoczywa na tym, kto wdraża awatara, bo znak wodny, którego nikt nie widzi, w żaden sposób nie informuje dzwoniącego, że przyjazna twarz na ekranie jest wygenerowana. Google może dostarczyć oznaczenie; informacja musi wyjść od banku, ubezpieczyciela czy sieci hotelowej, która stawia tę twarz przed swoimi klientami.

Tym, czego premiera nie ujawnia, jest cena. Żadne z dwóch ogłoszeń nie podaje kwoty za warstwę awatara; wpis na blogu Cloud odsyła do ogólnej strony z cennikiem generatywnej AI Google i do zarezerwowanej przepustowości (provisioned throughput), a zarówno zarezerwowana moc, jak i własne awatary wymagają kontaktu z handlowcem. Organizacje mogą wybierać z wyselekcjonowanej biblioteki gotowych twarzy albo stworzyć własną na podstawie jednego zdjęcia referencyjnego, próbki dźwięku i zestawu instrukcji systemowych, ale ta ścieżka wymaga zgody i nie działa w trybie samoobsługowym. Extended Thinking dla modelu Live pozostaje w prywatnej wersji zapoznawczej, co na razie ogranicza głębię jego rozumowania w porównaniu z innymi modelami Gemini od Google. Danych o opóźnieniach ani limitów jednoczesnych sesji nie opublikowano. Ten ograniczony profil pasuje do sposobu, w jaki Google stopniuje premiery dla firm: ceny i moce przerobowe są negocjowane, a nie publikowane w cenniku.

Awatar trafia przy tym do kategorii, która już istnieje. Firmy takie jak Synthesia, HeyGen i D-ID zbudowały swoje biznesy na generowanych prezenterach, głównie na potrzeby szkoleń, marketingu i lokalizowanych materiałów wideo, renderowanych z wyprzedzeniem, a nie na żywo. Propozycja Google różni się pod jednym względem: twarz jest połączona z tym samym modelem, który słucha, rozumuje i wywołuje narzędzia, wewnątrz konsoli, w której firmy już budują swoich agentów. Należy do szerszej rodziny modeli audio, obejmującej Gemini 3.5 Transcribe, Gemini 3.5 Live Translate oraz dwa warianty zamiany tekstu na mowę, Gemini 3.8 Flash TTS i Gemini 3.8 Flash-Lite TTS. Dla firmy, która już korzysta z agentów Gemini, dodanie twarzy staje się kwestią konfiguracji, a nie osobną umową z kolejnym dostawcą, i właśnie to połączenie usług w jedną ofertę jest konkurencyjnym zagrożeniem, na które specjaliści będą musieli odpowiedzieć.

Materiały premierowe pomijają kilka otwartych pytań. Twarz budzi oczekiwania, których głos nie budzi: rozmówcy odczytują mimikę, a awatar, który uśmiecha się, gdy odrzuca roszczenie, może zostać odebrany gorzej niż neutralny głos przekazujący tę samą odpowiedź. Liczy się też przepustowość łącza, bo strumieniowy agent wideo wymaga od połączenia klienta więcej niż linia telefoniczna, a wiele rynków, na których wielojęzyczna obsługa jest najcenniejsza, to zarazem rynki z najdroższym mobilnym internetem. Niczego z tego nie da się zmierzyć na podstawie wpisu premierowego. Okaże się to, albo nie, we wskaźnikach satysfakcji i skuteczności pierwszych dużych wdrożeń.

Gemini 3.8 Live z Live Avatar jest dostępny już teraz w konsoli Gemini Enterprise i przez Gemini Live API, a ścieżką dla deweloperów budujących agenty strumieniowe jest Agent Development Kit. Extended Thinking nie ma opublikowanego harmonogramu poza obecną grupą prywatnej wersji zapoznawczej. Firmy, które go wdrożą, odpowiedzą na pytanie, którego technologia nie rozstrzyga: czy usunięcie wizualnego sygnału, który zdradza zautomatyzowaną interakcję, poprawi doświadczenie ludzi po drugiej stronie, czy też odbierze im ostatnią uczciwą wskazówkę, że taka interakcja w ogóle ma miejsce.

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