Gemini 3.8 Live Avatar giver AI-kundeservice et ansigt på 97 sprog

Google har sat et læbesynkroniseret videoansigt i realtid på sin tale-til-tale-model og solgt det først til kundeservice og salgsgulve. Hvert eneste billede bærer et SynthID-vandmærke; intet lanceringsdokument sætter en pris på ansigtet.

Kundeservice har i to årtier talt med folk gennem en tom kasse: en telefonmenu, en chatboble, en syntetisk stemme uden noget bag. Den 25. september gjorde Google Gemini 3.8 Live med Live Avatar generelt tilgængelig i Gemini Enterprise, og produktet er et direkte forsøg på at fylde den kasse med et ansigt. Avataren taler, bevæger læberne i takt med ordene, viser ansigtsudtryk og bliver ved med at tale, mens den slår oplysninger op i baggrunden. Den fungerer på 97 sprog og skifter mellem dem midt i samtalen, når kunden gør det. Google retter den mod skadesanmeldelser hos forsikringsselskaber, indtjekning på hoteller og bilkøb frem for demoscener, og det siger en hel del om, hvor virksomheden mener, at pengene i stemme-AI ligger.

Under ansigtet ligger Gemini 3.8 Live, den indbyggede tale-til-tale-model, som Google præsenterede ugen før sammen med en variant ved navn Extended Thinking. Tale-til-tale betyder, at modellen hører lyd og svarer med lyd uden først at omsætte samtalen til tekst og tilbage igen. Ældre stemmebotter var bygget som et stafetløb: ét system transskriberede den, der ringede, et andet besluttede, hvad der skulle siges, og et tredje læste svaret op. Hver overlevering gav forsinkelse og skrællede tonefaldet af, og derfor talte de botter i munden på folk, overhørte afbrydelser og efterlod lange, mekaniske pauser. En indbygget model fjerner stafetten og holder talens rytme inde i ét enkelt system.

Live Avatar lægger et streamet videolag ind i den sløjfe. Det, der adskiller den fra video-overlay-teknikker, hvor et ansigt animeres, efter at lyden allerede findes, er, at lyd og billede genereres i samme live-inferenskæde i stedet for i trin efter hinanden. Den kobling holder forsinkelsen lav nok til en naturlig udveksling, og den er grunden til, at læberne rammer stavelserne i stedet for at halte efter dem. Modellen aflæser også live kamerafeeds og skærmdeling, mens den taler, og kan fremhæve elementer på kundens skærm. Den, der ringer, kan altså vise et problem og ikke kun beskrive det, og agenten kan til gengæld pege på svaret.

Produktet kom ikke ud af det blå. Google viste første gang Live Avatar frem på Google Cloud Next 2026, og selve Live-serien går tilbage til 2024, da Gemini Live kom som stemmetilstand på telefoner, og Multimodal Live API blev åbnet for udviklere sammen med Gemini 2.0 i december samme år. Hver version har skubbet den samme idé lidt længere: færre turskift, der føles som turskift, færre pauser, der afslører maskinen. Forbrugeropslaget, der præsenterede avataren, blev offentliggjort den 24. september og var underskrevet af forskeren Shuo-yiin Chang og softwareingeniøren CJ Zheng på vegne af Gemini Audio Team. Den generelle tilgængelighed for virksomheder fulgte en dag senere på Google Cloud-bloggen, hvilket siger noget om, hvilket publikum Google regner med skal betale.

I en kundeserviceopsætning betyder ansigtet mindre end det, der sker bag det. Gemini 3.8 Live udfører værktøjs- og API-kald asynkront: modellen kvitterer for forespørgslen, holder samtalen i gang og henter en ordre, tjekker en police eller slår op i lagerbeholdningen i baggrunden. Ifølge Google kommer modellen sig over afbrydelser uden at miste konteksten eller den igangværende transaktion i backend-systemet, og netop den fejl er den, der oftest sender en frustreret kunde tilbage til begyndelsen af telefonmenuen. Forskellen er let at undervurdere. En bot, der tier i seks sekunder, mens en database svarer, virker i stykker; en, der siger, at den lige tjekker, og bliver ved med at tale, virker som en sagsbehandler.

Googles flagskibseksempel er en forsikringsskade. Kunden retter telefonens kamera mod skaden og fortæller, hvad der er sket, agenten udfylder skadesanmeldelsen, mens de taler, og et hold af baggrundsagenter bygget med Googles Agent Development Kit tjekker policen og samler den sagsmappe, en skadesbehandler får brug for. Koden til det agenthold er linket fra lanceringsmaterialet som et open source-eksempel, et tegn på, at Google gerne vil have udviklere til at kopiere arkitekturen lige så meget som ansigtet. Virksomhedens andet eksempel er mere hverdagsagtigt: en hotelgæst, der tjekker ind. Begge beskriver det samme design. Avataren er frontenden på et arbejdsflow, ikke et talende hoved, der læser op fra et manuskript.

Sproghåndteringen er den anden søjle. Sproget registreres automatisk, og ifølge Google kan avataren bevæge sig på tværs af sine 97 sprog i samme session uden at forringe videokvaliteten eller skabe visuel drift, og læbebevægelserne tilpasser sig det nye sprog i stedet for at beholde mundformerne fra det gamle. Skiftet sker uden overdragelse, uden genindlæsning af systemet og uden mærkbar pause. På markeder, hvor kunderne bevæger sig mellem to eller tre sprog i én og samme samtale, som er hverdag på supportlinjer i Indien, Nigeria og Filippinerne, er det forskellen på et brugbart system og et, der tvinger folk til at vælge sprog i en menu, før de overhovedet kan forklare, hvorfor de ringer.

Equal AI, en virksomhed, der bygger en personlig AI-assistent i Indien, giver det klareste billede af skalaen, selv om dens tal handler om stemmemodellen og ikke om avataren. Ifølge virksomheden håndterer den allerede over en million live-opkald om dagen på ni indiske sprog, og direktøren, Akhilesh Damaraju, tilskriver Gemini 3.8 Live bedre håndtering af afbrydelser, mere pålidelige flersprogede samtaler og mere stabile værktøjskald. Den volumen ville være økonomisk urealistisk med menneskelige medarbejdere ved samme tilgængelighed og vagtdækning. Designantagelsen bag en sådan udrulning er ikke et proof of concept. Den handler om kapacitet, og ved den volumen løber hvert sekund, der skæres af en replikveksling, hurtigt op.

De andre navne i lanceringen peger mod forskellige ender af markedet. Cox Automotive har bygget en samtaleavatar til Autotrader, der lader købere beskrive den bil, de ønsker sig, med deres egne ord, fremhæver match på skærmen og kalder værktøjer til søgning, sammenligning og finansiering; Marianne Johnson, produktdirektør i Cox Automotive, beskriver den som en afløser for filtre og menuer. Salesforce oplyser, at selskabets AI Research-team arbejder sammen med Google om at kombinere Gemini 3.8 Live med Agentforce, selskabets agentplatform til kundeservice, og Bob Van Osten, vicedirektør for produkt i Agentforce, beskriver samarbejdet som en jagt på nye måder at føre en servicesag fra første kontakt til løsning. Specs, der bygger sin egen AI-assistent, peger gennem softwareingeniøren Eric Walsh på den opdaterede stemmeaktivitetsgenkendelse og den lavere forsinkelse, virksomheden har målt i sine tests.

Hvert sekund af genereret lyd og video bærer et SynthID-vandmærke. Systemet, som Google DeepMind introducerede i 2023 til billeder og senere udvidede til tekst, lyd og video, indlejrer et signal, som mennesker ikke kan se eller høre, men som software kan opdage. Google designer det til at overleve almindelige transformationer som komprimering og genkodning, så oprindelsen af et klip, der er eksporteret fra et supportopkald og lagt ud andetsteds, stadig kan kontrolleres. Det er lanceringens mest konkrete sikkerhedsløfte, og det gælder for alle avatarer, færdige som skræddersyede. Den anden sikring er proceduremæssig: skræddersyede avatarer ligger bag en godkendelsesliste for virksomheder og en separat verifikationsproces. Det er Googles svar på den åbenlyse bekymring, at et enkelt foto og en stemmeprøve er nok til at klone et virkeligt menneske.

Vandmærket kommer også belejligt for den europæiske del af forretningen. Live Avatar leveres med endpoints i USA og EU, og EU’s AI-forordning indeholder gennemsigtighedsregler, der gælder fra august 2026, og som kræver, at folk får at vide, når de har med et AI-system at gøre, og at syntetisk lyd og video mærkes på en maskinlæsbar måde. SynthID dækker den anden forpligtelse. Den første ligger hos den, der tager avataren i brug, for et vandmærke, som ingen kan se, fortæller ikke den, der ringer, at det venlige ansigt på skærmen er genereret. Google kan levere mærkningen; oplysningen skal komme fra banken, forsikringsselskabet eller hotelkæden, der sætter ansigtet foran sine kunder.

Det, lanceringen holder tilbage, er prisen. Ingen af meddelelserne nævner et tal for avatarlaget; Cloud-opslaget henviser til Googles generelle prisside for generativ AI og til reserveret kapacitet (provisioned throughput), og både reserveret kapacitet og skræddersyede avatarer går gennem en sælger. Organisationer kan vælge fra et kurateret bibliotek af færdige ansigter eller bygge deres eget ud fra et enkelt referencefoto, en lydprøve og et sæt systeminstruktioner, men den skræddersyede vej kræver godkendelse og er ikke selvbetjening. Extended Thinking til Live-modellen er fortsat i privat preview, hvilket indtil videre begrænser ræsonnementsdybden sammenlignet med Googles øvrige Gemini-modeller. Tal for forsinkelse og grænser for samtidige sessioner er ikke offentliggjort. Den begrænsede profil passer til den måde, Google trinvist lancerer virksomhedsprodukter på, med priser og kapacitet, der forhandles frem for at blive slået op.

Avataren lander desuden i en kategori, der allerede findes. Virksomheder som Synthesia, HeyGen og D-ID har bygget forretninger på genererede præsentationsværter, primært til uddannelse, markedsføring og lokaliseret video, der renderes på forhånd i stedet for live. Googles tilbud adskiller sig på ét punkt: ansigtet sidder på den samme model, der lytter, ræsonnerer og kalder værktøjerne, inde i den konsol, hvor virksomhederne allerede bygger deres agenter. Det står ved siden af en bredere familie af lydmodeller, der omfatter Gemini 3.5 Transcribe, Gemini 3.5 Live Translate og to tekst-til-tale-varianter, Gemini 3.8 Flash TTS og Gemini 3.8 Flash-Lite TTS. For en virksomhed, der allerede kører Gemini-agenter, bliver et ansigt et konfigurationsvalg frem for en separat kontrakt med en anden leverandør, og den samlede pakke er den konkurrencetrussel, specialisterne bliver nødt til at svare på.

Der er åbne spørgsmål, som lanceringsmaterialet ikke berører. Et ansigt skaber forventninger, som en stemme ikke gør: de, der ringer, aflæser ansigtsudtryk, og en avatar, der smiler, mens den afviser en skadessag, kan blive modtaget dårligere end en neutral stemme med det samme svar. Båndbredden spiller også ind, fordi en streamende videoagent kræver mere af kundens forbindelse end en telefonlinje, og mange af de markeder, hvor flersproget support er mest værdifuld, er også dem, hvor mobildata er dyrest. Intet af det kan måles ud fra et lanceringsopslag. Det vil vise sig, eller ikke vise sig, i tilfredsheds- og gennemførelsestallene fra de første store udrulninger.

Gemini 3.8 Live med Live Avatar er tilgængelig nu i Gemini Enterprise-konsollen og via Gemini Live API, med Agent Development Kit som udviklernes vej til streamende agenter. For Extended Thinking er der ingen offentliggjort tidsplan ud over den nuværende private preview-gruppe. De virksomheder, der tager den i brug, kommer til at besvare et spørgsmål, som teknologien ikke selv besvarer: om det forbedrer oplevelsen for menneskene i den anden ende at fjerne det visuelle signal, der afslører en automatiseret interaktion, eller om det fjerner den sidste ærlige indikation af, at en sådan finder sted.

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