Gemini 3.8 Live Avatar gir AI-kundeservice et ansikt på 97 språk

Google har satt et leppesynkronisert videoansikt i sanntid på tale-til-tale-modellen sin og solgt det først til kundesentre og utstillingslokaler. Hvert bilde bærer et SynthID-vannmerke, og ingen av lanseringsdokumentene setter en pris på ansiktet.

Kundeservice har i to tiår snakket med folk gjennom en tom boks: en telefonmeny, en chatteboble, en syntetisk stemme uten noe bak. 25. september gjorde Google Gemini 3.8 Live med Live Avatar allment tilgjengelig i Gemini Enterprise, og produktet er et direkte forsøk på å fylle den boksen med et ansikt. Avataren snakker, beveger leppene i takt med ordene, viser ansiktsuttrykk og fortsetter å prate mens den slår opp opplysninger i bakgrunnen. Den fungerer på 97 språk og bytter mellom dem midt i samtalen når kunden gjør det. Google retter den mot forsikringsoppgjør, innsjekking på hotell og bilkjøp heller enn mot demoscener, og det sier mye om hvor selskapet mener pengene i stemmebasert AI faktisk ligger.

Under ansiktet ligger Gemini 3.8 Live, den innebygde tale-til-tale-modellen Google kunngjorde uken før, sammen med en variant kalt Extended Thinking. Tale-til-tale betyr at modellen hører lyd og svarer med lyd uten først å gjøre samtalen om til tekst og tilbake igjen. Eldre stemmeroboter var bygget som en stafett: ett system transkriberte den som ringte, et annet bestemte hva som skulle sies, et tredje leste svaret høyt. Hver veksling la til forsinkelse og skrellet bort tonefallet, og derfor snakket de robotene i munnen på folk, overså avbrytelser og etterlot lange, mekaniske pauser. En innebygd modell fjerner stafetten og holder talerytmen samlet i ett og samme system.

Live Avatar legger et strømmet videolag inn i den sløyfen. Det som skiller produktet fra teknikker der video legges oppå i etterkant, altså der et ansikt animeres etter at lyden allerede finnes, er at lyd og bilde genereres i samme direkte inferenskjede i stedet for som trinn etter hverandre. Den koblingen holder forsinkelsen lav nok til en naturlig samtale fram og tilbake, og den er grunnen til at leppene treffer stavelsene i stedet for å henge etter dem. Modellen leser også direktesendte kamerastrømmer og skjermdeling mens den snakker, og den kan fremheve elementer på kundens skjerm. Dermed kan den som ringer, vise et problem i tillegg til å beskrive det, og agenten kan peke tilbake på svaret.

Produktet kom ikke ut av løse luften. Google viste Live Avatar for første gang på Google Cloud Next 2026, og Live-serien går tilbake til 2024, da Gemini Live kom som stemmemodus på mobilen og Multimodal Live API ble åpnet for utviklere sammen med Gemini 2.0 i desember samme år. Hver versjon har skjøvet den samme ideen litt lenger: færre replikkskifter som kjennes som skifter, færre pauser som avslører maskinen. Forbrukerinnlegget som presenterte avataren, ble publisert 24. september og var signert av forskeren Shuo-yiin Chang og programvareingeniøren CJ Zheng på vegne av Gemini Audio Team. Den allmenne tilgjengeligheten for bedrifter fulgte dagen etter på Google Cloud-bloggen, og det forteller hvilket publikum Google regner med skal betale for den.

I et kundeserviceoppsett betyr ansiktet mindre enn det som skjer bak det. Gemini 3.8 Live utfører verktøy- og API-kall asynkront: modellen bekrefter forespørselen, holder samtalen i gang og henter en ordre, sjekker en avtale eller slår opp i lagerbeholdningen i bakgrunnen. Ifølge Google henter den seg inn etter avbrytelser uten å miste konteksten eller den pågående transaksjonen i baksystemet, og nettopp den feilen er det som oftest sender en frustrert kunde tilbake til start i telefonmenyen. Forskjellen er lett å undervurdere. En robot som blir stille i seks sekunder mens en database svarer, virker ødelagt; en som sier at den sjekker og fortsetter å snakke, virker som en ekspeditør.

Googles utstillingsvindu er et forsikringskrav. Kunden retter mobilkameraet mot skaden og forklarer hva som har skjedd, agenten fyller ut skademeldingen mens kunden snakker, og et lag av bakgrunnsagenter bygget med Googles Agent Development Kit sjekker forsikringsavtalen og setter sammen dokumentpakken en skadetakstmann vil trenge. Koden til dette agentlaget er lenket fra lanseringsmaterialet som et eksempel med åpen kildekode, et tegn på at Google vil at utviklere skal kopiere arkitekturen like mye som ansiktet. Selskapets andre eksempel er mer hverdagslig: en hotellgjest som sjekker inn. Begge beskriver den samme utformingen. Avataren er fronten på en arbeidsflyt, ikke et snakkende hode som leser fra et manus.

Språkhåndteringen er den andre bærebjelken. Språket gjenkjennes automatisk, og ifølge Google kan avataren bevege seg mellom sine 97 språk i samme økt uten at videokvaliteten svekkes eller bildet begynner å drive, og leppebevegelsene tilpasser seg det nye språket i stedet for å beholde munnformene fra det gamle. Byttet skjer uten overlevering, uten omstart av systemet og uten merkbar pause. I markeder der kundene veksler mellom to eller tre språk i én og samme samtale, som er hverdagen på kundesentre i India, Nigeria og på Filippinene, er det forskjellen på et brukbart system og et som tvinger folk til å velge språk fra en meny før de i det hele tatt får forklart hvorfor de ringer.

Equal AI, et selskap som bygger en personlig AI-assistent i India, gir det tydeligste bildet av skala, selv om tallene gjelder stemmemodellen og ikke avataren. Selskapet sier at det allerede håndterer mer enn én million direkte samtaler om dagen på ni indiske språk, og administrerende direktør Akhilesh Damaraju gir Gemini 3.8 Live æren for bedre håndtering av avbrytelser, mer pålitelige flerspråklige samtaler og stødigere verktøykall. Et slikt volum ville vært økonomisk urealistisk med menneskelige kundebehandlere med samme tilgjengelighet og vaktdekning. Premisset for en slik utrulling er ikke å bevise at konseptet virker. Det handler om kapasitet, og ved det volumet hoper hvert sekund som barberes bort fra en replikkveksling, seg raskt opp.

De andre navnene i lanseringen peker mot hver sin ende av markedet. Cox Automotive har bygget en samtaleavatar for Autotrader som lar bilkjøpere beskrive bilen de vil ha med egne ord, fremhever treff på skjermen og kaller verktøy for søk, sammenligning og finansiering; Marianne Johnson, produktdirektør i Cox Automotive, beskriver den som en erstatning for filtre og menyer. Salesforce opplyser at selskapets AI Research-team samarbeider med Google om å kombinere Gemini 3.8 Live med Agentforce, selskapets agentplattform for kundeservice, og Bob Van Osten, visepresident for produkt i Agentforce, omtaler samarbeidet som en jakt på nye måter å føre en kundesak fra første kontakt til løsning. Specs, som bygger sin egen AI-assistent, viser gjennom programvareingeniør Eric Walsh til den oppdaterte gjenkjenningen av taleaktivitet og den lavere forsinkelsen selskapet målte under testing.

Hvert sekund med generert lyd og video bærer et SynthID-vannmerke. Systemet, som Google DeepMind introduserte i 2023 for bilder og senere utvidet til tekst, lyd og video, legger inn et signal som mennesker verken kan se eller høre, men som programvare kan oppdage. Google har utformet det for å tåle vanlige bearbeidinger som komprimering og omkoding, slik at et klipp som eksporteres fra en kundesamtale og legges ut et annet sted, fortsatt kan sjekkes for opprinnelse. Det er den mest konkrete sikkerhetsforpliktelsen i lanseringen, og den gjelder alle avatarer, både ferdiglagde og skreddersydde. Den andre sikringen er prosedyremessig: egne avatarer ligger bak en godkjenningsliste for bedrifter og en egen verifiseringsprosess, og det er Googles svar på den åpenbare bekymringen om at ett enkelt bilde og en stemmeprøve er nok til å klone en virkelig person.

Vannmerket kommer også på et gunstig tidspunkt for den europeiske delen av virksomheten. Live Avatar leveres med endepunkter i USA og EU, og EUs KI-forordning (AI Act) inneholder åpenhetsregler, gjeldende fra august 2026, som krever at folk får vite når de har med et AI-system å gjøre, og at syntetisk lyd og video merkes på en maskinlesbar måte. SynthID dekker den andre forpliktelsen. Den første ligger hos den som tar avataren i bruk, for et vannmerke ingen kan se, gjør ingenting for å fortelle den som ringer at det vennlige ansiktet på skjermen er generert. Google kan levere merkingen; opplysningen må komme fra banken, forsikringsselskapet eller hotellkjeden som setter ansiktet foran kundene sine.

Det lanseringen holder tilbake, er prisen. Ingen av kunngjøringene oppgir et beløp for avatarlaget; Cloud-innlegget viser til Googles generelle prisside for generativ AI og til reservert gjennomstrømning (provisioned throughput), og både reservert kapasitet og egne avatarer går via en selger. Organisasjoner kan velge fra et kuratert bibliotek med ferdige ansikter eller bygge sitt eget ut fra ett enkelt referansebilde, en lydprøve og et sett systeminstruksjoner, men den skreddersydde veien er adgangsbegrenset og ikke selvbetjent. Extended Thinking for Live-modellen er fortsatt i lukket forhåndsvisning, noe som foreløpig begrenser hvor dypt den resonnerer sammenlignet med Googles andre Gemini-modeller. Tall for forsinkelse og grenser for samtidige økter er ikke publisert. Den begrensede profilen stemmer med hvordan Google ruller ut bedriftsprodukter, med pris og kapasitet som forhandles i stedet for å offentliggjøres.

Avataren lander dessuten i en kategori som allerede finnes. Selskaper som Synthesia, HeyGen og D-ID har bygget forretninger på genererte programledere, først og fremst til opplæring, markedsføring og lokalisert video som gjengis på forhånd og ikke i sanntid. Googles tilbud skiller seg ut på ett punkt: ansiktet er koblet til den samme modellen som lytter, resonnerer og kaller verktøyene, inne i konsollen der bedrifter allerede bygger agentene sine. Det står ved siden av en bredere familie av lydmodeller som omfatter Gemini 3.5 Transcribe, Gemini 3.5 Live Translate og to varianter for tekst til tale, Gemini 3.8 Flash TTS og Gemini 3.8 Flash-Lite TTS. For et selskap som allerede kjører Gemini-agenter, blir et ansikt et konfigurasjonsvalg og ikke en egen leverandøravtale, og den pakkeløsningen er konkurransetrusselen spesialistene må svare på.

Lanseringsmaterialet lar flere spørsmål stå åpne. Et ansikt skaper forventninger som en stemme ikke gjør: de som ringer, leser ansiktsuttrykk, og en avatar som smiler mens den avslår et krav, kan bli tatt verre imot enn en nøytral stemme som gir det samme svaret. Båndbredde spiller også inn, for en agent med strømmet video krever mer av kundens forbindelse enn en telefonlinje, og mange av markedene der flerspråklig kundeservice er mest verdifull, er også de der mobildata er dyrest. Ingenting av dette kan måles ut fra et lanseringsinnlegg. Det vil vise seg, eller ikke, i tallene for kundetilfredshet og fullførte saker fra de første store utrullingene.

Gemini 3.8 Live med Live Avatar er tilgjengelig nå i Gemini Enterprise-konsollen og gjennom Gemini Live API, med Agent Development Kit som utviklerveien for strømmende agenter. Extended Thinking har ingen offentlig tidsplan utover den nåværende lukkede forhåndsvisningsgruppen. Bedriftene som tar produktet i bruk, vil besvare et spørsmål teknologien selv ikke kan: om det å fjerne det visuelle signalet som markerer en automatisert samtale, gjør opplevelsen bedre for menneskene i den andre enden, eller om det fjerner det siste ærlige tegnet på at en slik samtale foregår.

Tagger: Google, artificial intelligence, Gemini, customer service, enterprise AI, lip sync