О, Gemini Live решил пожрать конкурентов с Аватарами

Через неделю после выхода Gemini 3.8 Live Google добавил к нему Live Avatar – говорящую голову, которая генерируется почти в реальном времени и синхронизирована с речью модели. То есть встал на поляну HeyGen, D-ID, Synthesia.

Что внутри:
– липсинк, мимика и нормальный turn-taking, то есть его можно перебивать
– асинхронный tool calling: пока аватар болтает с клиентом, в фоне дёргает API. В демо он так регистрирует гостя в отеле и не зависает на паузе «секундочку, проверяю»
– 97 языков, переключение прямо посреди разговора, и по словам Google липсинк при этом не разваливается и картинка не «плывёт»
– есть библиотека готовых аватаров, а свой можно сделать из одного качественного фото, но пока только через allowlist
– всё помечено водяным знаком SynthID, и в аудио, и в видео

Доступно только в Gemini Enterprise (Agent Platform, бывший Vertex), для обычных пользователей пока ничего. Решили пока не заморачиваться с регулированием и авторскими правами на голоса.

Прикол, что в документации первым use case идут «корпоративные амбассадоры», сгенерированные из внешности сотрудников или нанятых актёров. То есть Google сразу закладывает юридическую рамку: оцифровать своего лучшего менеджера по продажам можно, но только с бумажкой. Дальше в списке идут NPC в играх, навигаторы по больницам, умные очки и авто.

Короче, связка «голос + лицо + инструменты» наконец собрана в одном API, а не склеена из трёх вендоров со своей задержкой на каждом шаге. Для ресепшенов, банковских отделений и киосков в ТЦ это прям норм. Вопрос, как всегда, в цене минуты видео и в том, не станет ли клиентам жутковато через пару минут разговора. Цены пока нет. Скорее всего будет не сильно дешево, но дешевле конкурентов. Ждем релиза на всех.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-with-live-avatar/