谷歌 DeepMind 于 2026 年 9 月 24 日推出 Gemini 3.8 Live with Live Avatar，为其对话式 AI 增添接近实时的视觉形象。该功能将 Gemini 原生的实时对话能力与低延迟流媒体视频相结合，为企业和用户创造更自然、更直观的交互体验。

该公告由研究科学家 Shuo-yiin Chang 和软件工程师 CJ Zheng 代表 Gemini 音频团队撰写，是上周 Gemini 3.8 Live 发布之后的又一动作。

据谷歌 DeepMind 介绍，Live Avatar 将接近实时的视频生成与语音相结合，使系统能够通过动态视觉形象进行聆听、观察和表达。该功能具备精准的唇形同步、自然的面部表情和流畅的对话轮换，使虚拟服务更具交互性。公司描述的潜在用途包括客户服务和交互式操作引导。

Gemini 3.8 Live with Live Avatar 即日起在 Gemini Enterprise 中上线。原始公告可在 Google DeepMind 博客上查看。

多模态对话

谷歌 DeepMind 表示，对话本质上是多模态的，涉及聆听、视觉关注、语音和面部表情。Live Avatar 通过同时处理视觉和音频输入，并生成融合富有表现力的音频和视频的响应，将这些能力带入企业智能体。

公司表示，该功能能够以接近实时的方式接收其所见所闻，并通过音频和视频进行响应，从而支持更自然的对话。对于谷歌 DeepMind 所列举的客户服务和交互式操作引导场景，其实际效果是一个虚拟智能体能够对所展示的内容作出反应，并在同一次对话中用语音和面部提示进行回答。

后台工具执行

Live Avatar 还运用了 Gemini 的推理能力和异步工具调用。它可以在持续进行活跃对话的同时，在后台发起工具调用并获取数据，从而在不中断对话的情况下处理复杂任务。

谷歌 DeepMind 以为酒店客人办理入住为例，说明工具可以在对话持续进行的同时在后台运行。对企业而言，其价值在于连续性：客户体验到不间断的对话，而数据获取和任务执行则在幕后。

支持 97 种语言

该功能具备原生多语言语音到语音同步能力。谷歌 DeepMind 表示，Live Avatar 可以在 97 种语言之间动态调整唇形同步和面部表情进行切换，同时不降低视频保真度，也不会出现视觉漂移。

公司还演示了在对话过程中切换语言的功能，头像的唇形同步和表情能够跨语言自适应。对于服务跨地区用户的企业而言，这种语言覆盖能力——以及切换语言时不产生视觉瑕疵的能力——直接关系到全球客户交互。

可定制头像

企业可以从包含不同外观、语音和表现风格的预设头像库中进行选择，也可以定制 Live Avatar 以体现品牌或角色形象。

开发者可以使用高质量的参考图像生成一个完全动画化、具备响应能力的头像，同时保留参考对象的样貌、品牌风格或角色特征。谷歌 DeepMind 表示，自定义头像创建目前仅通过企业许可名单开放，名单之外的企业仍可使用预设头像库。

水印与安全

谷歌 DeepMind 表示，Live Avatar 内置了旨在尊重身份并保持 AI 生成内容透明度的严格防护措施。其 AI 产品生成的所有输出均带有 SynthID 水印，这是一种直接嵌入音频和视频中的不可感知水印。

公司表示，该水印有助于保持 AI 生成内容的可检测性，旨在帮助减少错误信息和错误归因。对于向客户展示富有表现力的视频形象的企业而言，该水印使 AI 生成的交互能够被识别为合成内容。有关公司安全和负责任部署方法的更多信息，可在其模型卡中查阅。

Gemini 3.8 Live with Live Avatar 现已在 Gemini Enterprise 中上线。谷歌 DeepMind 还指引开发者查阅其 API 文档以开始使用。对于希望获得预设头像库之外的品牌专属头像的团队，自定义头像创建的企业许可名单是值得关注的关键准入细节。