2026 年 9 月 24 日，Google 发布 Gemini 3.8 Live with Live Avatar，在上周 Gemini 3.8 Live 的基础上，为原生实时对话模型加上近实时视觉存在感。该功能由 Gemini Audio Team 的 Shuo-yiin Chang（Research Scientist）与 CJ Zheng（Software Engineer）署名发布，即日起在 Gemini Enterprise 中可用。官方对场景的描述集中在两处：客户服务，以及交互式导览（interactive walkthroughs）。\n\n## 官方给出的能力\n\n视觉与语音同时输入。 官方称 Live Avatar 将低延迟流式视频与实时对话能力原生耦合，同时处理视觉与音频输入，再以带表情的音频和视频回应。官方强调的体验特征是三点：精准唇同步、自然表情、流畅的轮流对话（turn-taking）。官方在开篇给出的理由是对话本身就是多模态的——人会一边听、一边看、一边说，并用表情辅助沟通。\n\n异步工具调用。 这可能是对企业 Agent 场景更关键的一条。官方说明 Live Avatar 支持异步工具调用：在对话继续进行的同时，于后台触发工具调用并获取数据。官方给出的示例是酒店入住办理——工具在后台执行，对话不中断。换句话讲，复杂任务的执行不阻塞会话流。\n\n97 种语言的语音到语音同步。 官方称该功能具备原生多语言语音到语音同步能力，可动态调整唇同步与表情，在 97 种语言之间无缝切换，且不降低视频保真度、不引入视觉漂移（visual drift）。\n\n头像可预设、可定制。 官方提供多样化预设头像库；企业还可从一张高质量参考图生成完整动画、可响应的头像，并保留参考相似度、品牌视觉风格或角色身份。自定义头像目前仅通过企业 allowlist 开放。\n\n## 安全与内容可追溯\n\n官方把身份保护与透明度作为设计前提：所有 AI 产品输出都带有 SynthID 水印，该不可感知水印直接织入音频与视频输出，用于让 AI 生成内容保持可检测，以便减少错误信息和错误归属。官方同时提供了 Gemini 3.8 Audio 的模型卡，作为安全与负责任部署的说明入口。\n\n## 官方措辞里的边界\n\n值得注意的是官方通篇使用 near real-time（近实时）而非 real-time，并用 low-latency streaming video 描述视频侧。这一措辞保留了工程余量：视觉回路的抖动是被允许在一定范围内的。对做方案的团队来说，这意味着不能默认"视频与语音严格同步"是官方承诺的指标，实际表现需要用真实网络条件验证。\n\n## 工程视角：难点在哪里\n\n以下为工程分析，不属于官方披露内容。\n\n把视频放进对话回路，与把视频做成一段离线渲染的成片，是两类不同的问题。前者要求生成与播放处在同一个流式时序里：音频输入、视觉输入、语音输出、视频输出在时间轴上互相约束，任何一环的抖动都会直接体现在唇同步与表情上。官方文案中反复出现的三个表述——低延迟流式视频、近实时视频生成、同时处理视觉与音频输入——描述的正是这条链路。这也意味着上行侧要按多模态设计，而不只是把麦克风数据推上去。\n\n异步工具调用则更接近 Agent 架构问题。官方说法是对话持续、工具在后台执行，这要求会话循环与工具执行解耦：会话不能停在一次函数调用的往返上等待结果。对做实时音视频 Agent 的团队而言，这通常对应任务编排、状态管理、超时与失败回退策略的重新设计，而不仅是换一个模型接口。\n\n97 种语言切换而"不引入视觉漂移"，说明唇同步由语音侧驱动、视觉侧跟随，而非按语种预制视频资产。对出海业务而言这一点价值直接：新增语种不必新增一套视觉素材。同理，从单张参考图生成可动头像，把身份一致性与水印可检测性放在同一个约束下，也是定制头像必须同时满足的条件。\n\n## 接入路径与选型注意\n\n官方给出的入口有两个：在 Gemini Enterprise 中直接使用，以及参考 Gemini Enterprise Agent Platform 的 Live API 文档进行接入。企业侧还有一条路——通过 allowlist 申请自定义头像，把品牌形象或角色身份映射到实时对话形象上。\n\n需要提醒的是，官方本次披露中未提及的信息包括：具体延迟指标、帧率与分辨率等质量参数、定价、配额、区域可用性与 SLA、自定义头像的审核周期与限制。这些属于选型时必须向官方确认而非自行推测的项目。国内团队如果评估实时音视频 Agent 方案，可把"会话是否会被工具调用阻塞""多语言切换下唇同步是否漂移""生成内容是否可检测"这三条作为与官方材料直接对应的验证点，其余则需以实际接入测试为准。