以前讲：
AI Voice Agent，
画面通常很简单。
你对着：
电话。
App。
智能音箱
说话。
AI 回你：
一个声音。
现在 Google 想再往前一步。
不只：
让 AI 说话。
而是：
让你看到一个正在和你说话的 AI。
Google 9 月 24 日正式推出：
Gemini 3.8 Live with Live Avatar。
它把：
实时语音。
实时视觉理解。
虚拟人物。
后端 Agent Workflow
放进：
同一个实时对话体验。
最适合的场景不是：
「帮我写一篇文章。」
而是：
需要人一直交互的工作。
例如：
客服。
旅馆柜台。
展场导览。
教育。
产品咨询。
远程协助。
先搞懂：Live Avatar 不是普通 AI 生视频
这点很重要。
一般 AI Avatar 工具：
可能是你先输入：
一段 Script。
再等 AI：
生成一段视频。
Gemini 3.8 Live with Live Avatar
不是这种工作方式。
它比较像：
实时 Video Call。
你说一句。
Avatar：
实时理解。
实时回答。
嘴型跟着：
AI 产生的声音。
表情也跟着：
Conversation
动态改变。
不是：
先把整段视频做完
再播放。
Google 把它创建在 Gemini 3.8 Live 上
Gemini 3.8 Live
本来就是：
Real-time Conversational Model。
和一般：
文字 Prompt
最大的不同是：
它直接做：
Speech-to-Speech。
也就是：
你说话。
AI 不一定先完整转成文字、
再产文字、
再交给另一套 TTS。
Google 把：
听。
理解。
回答。
说话
放进：
同一个 Live Model。
这也是为什么：
它比较适合：
Continuous Conversation。
Live Avatar 再多加一层「视觉存在」
Google 现在把：
Video Avatar
同步加入。
官方表示：
Live Avatar 可以根据生成语音：
同步：
Lip-sync。
Facial Expression。
Conversation Response。
所以用户不只是：
听到一个 Voice Bot。
而是：
看到一个：
正在对自己说话的数字角色。
而且支持 97 种语言
这是它最适合：
跨国客服
的一个地方。
Google 表示：
Gemini 3.8 Live with Live Avatar
可以：
理解和说：
97 种语言。
而且可以：
Automatic Language Detection。
甚至：
对话中切换语言。
Avatar 的：
嘴型。
表情
仍会跟着改。
所以假设：
饭店柜台。
第一个客人说：
英文。
第二个：
日文。
第三个：
西班牙文。
理论上：
不需要替每种语言
另外做一套：
预录 Avatar Video。
同一套 Live Agent
可以：
动态切换。
这和传统多语客服成本差很多
以前做：
Digital Human。
如果有：
10 种语言。
常常意味着：
10 套：
语音。
Script。
Recording。
Avatar Content。
更新一次内容：
可能全部重做。
Live Avatar 的方向是：
内容在对话当下生成。
所以企业真正维护的是：
Knowledge。
Rules。
Backend Tools。
Permissions。
不是：
几千支预录像片。
它不只「听」，也能看
这点比 Avatar 外表：
更实用。
Gemini 3.8 Live
支持：
Live Visual Understanding。
也就是可以同时理解：
Camera Feed。
Screen Share。
Audio。
所以用户可以：
边说。
边给 AI 看东西。
例如饭店旅客可以直接把画面给它看
假设客人说：
「我订房数据里是不是含早餐？」
然后：
把手机画面
对着 Camera。
理想 Workflow 可以是：
Avatar：
先理解：
用户正在看的画面。
再搭配：
后端订房数据。
回答：
目前能确认的内容。
如果牵涉：
改房型。
退款。
加价。
付款。
再进：
人工或 Approval Step。
这比：
叫客人把：
订单编号。
姓名。
方案。
日期
全部念一遍，
自然很多。
远程技术支持也可能很适合
例如：
客户不知道：
Router 哪一颗灯有问题。
以前：
客服：
「你看左边第三颗灯。」
客户：
「哪一颗？」
客服：
「不是那个。」
如果 AI 可以：
直接看：
Camera Feed，
用户可以：
把镜头对着设备。
AI：
根据画面
一步一步说：
下一步要看哪里。
注意：
这只是：
适合 Live Visual Understanding
的一种使用情境。
不是说：
Gemini 已经内置每一家 Router
的维修数据。
企业仍然要：
接自己的：
Knowledge Base。
Product Data。
Service Workflow。
Screen Share 更适合软件客服
例如：
客户说：
「我找不到 Export。」
与其：
一来一往描述：
左上角。
右上角。
Settings。
Menu。
如果 Agent：
可以看到：
用户分享的画面，
它就能：
根据：
目前 UI State
直接指导。
这会比：
只听文字描述
少很多：
Context Loss。
真正有趣的其实不是 Avatar，而是「边聊边做」
Google Cloud 对 Gemini 3.8 Live
特别强调：
实时对话期间，
Agent 可以搭配：
Backend Tools。
API。
其他企业系统
完成工作。
而对话：
不用因此完全停下来。
这件事非常关键。
因为传统 Voice Bot：
很容易变成：
客人说一句。
停。
系统查数据。
停。
再回答。
非常不像真人。
Google 想做的是：
例如：
「我帮你查一下。」
Agent：
背景处理。
同时还能：
维持对话 Context。
这才是真正的「Live Agent」
不是：
一个动画人物
在嘴巴动。
而是：
它背后可以：
理解。
查数据。
使用工具。
处理 Workflow。
Avatar：
只是：
把这些能力
变成：
更像面对面交互的入口。
哪些场景最可能先有价值？
第一：Customer Service
适合：
高频。
重复。
但又需要：
语音交互
的问题。
例如：
订单查找。
产品说明。
基本故障排除。
政策解说。
第二：Hospitality／Tourism
饭店。
机场服务。
旅游信息。
展馆。
Visitor Center。
这些地方：
天然就有：
多语需求。
而且很多问题：
重复性很高。
第三：Education
例如：
Virtual Tutor。
学生：
可以用语音问。
甚至：
把画面、
作业、
示意图
给 Agent 看。
Agent：
再实时回应。
但涉及：
评分。
重要教育判断。
仍然要另外设计：
Human Review。
第四：Retail
例如：
店内 Kiosk。
顾客可以：
拿商品给镜头看。
问：
差异。
规格。
用途。
库存。
如果再连：
企业正式商品数据，
就能：
减少：
人工重新查找。
但：
价格。
促销。
库存
仍然应该以：
正式 Backend Data
为准。
不能让模型：
自己猜。
第五：Remote Assistance
特别适合：
「我不知道怎么描述我看到的东西。」
例如：
设备。
软件画面。
产品组装。
操作步骤。
让 Agent：
看到同一个画面，
通常比：
人一直用文字解释
容易很多。
但现在一定要知道：这不是一般 Gemini App 的新按钮
今天如果看到：
Live Avatar
就立刻打开：
Gemini App
找：
「Avatar Mode。」
很可能：
找不到。
因为 Google 现在正式公布的是：
Gemini Enterprise。
以及：
API。
它的主要对象是：
Developer。
Enterprise。
要拿来：
创建自己的：
Customer Service。
Tutor。
Concierge。
Kiosk。
Agent Experience。
不是：
一般消费者今天换一个头像
就能直接视频聊天。
Gemini 3.8 Live 已经是 GA
这一点也要和：
Demo
分清楚。
Google Cloud 已经把：
Gemini 3.8 Live with Live Avatar
列为：
Generally Available。
也就是：
可以拿来：
Production。
不是只有：
Private Research Demo。
目前提供：
US。
EU
Multi-region Endpoint。
支持：
Pay-as-you-go。
也支持：
Provisioned Throughput。
但 Custom Avatar 还没有完全开放
Google 有提供：
Preset Avatar。
也就是：
预先准备好的虚拟人物。
如果企业想做：
自己的品牌角色。
或者：
用一张高品质 Reference Image
创建：
具有指定外观的 Avatar，
目前：
Custom Avatar Creation
仍然需要：
Enterprise Allowlist。
所以不能写成：
「今天所有人都能上传一张照片，立刻做成 Gemini Live Avatar。」
还不是。
而且「可以保留人物外观」会立刻碰到身份问题
Avatar 一旦可以：
从 Reference Image
创建，
最大的风险就是：
假冒真人。
Deepfake。
品牌冒用。
Google 表示：
Live Avatar
针对：
Identity
加入安全设计。
所有 AI 生成的：
Audio。
Video
也会加入：
SynthID。
SynthID
是：
不可见的 AI Watermark。
目的是让：
生成内容
未来更容易被：
辨识。
但 SynthID 不等于「不会被滥用」
这一点和我们以前谈：
AI Image／Video
一样。
Watermark：
是：
Provenance Signal。
不是：
Permission。
不是：
肖像权授权。
也不是：
企业可以随便用任何人的脸。
真正做 Custom Avatar
仍然要确认：
人物授权。
品牌授权。
使用范围。
告知。
数据保存政策。
如果是客服，还要再加一条：不能让 Avatar 外表提高错误可信度
这可能是：
Live Avatar
很容易被忽略的问题。
纯文字 AI：
讲错。
人还比较容易：
怀疑。
一个：
看着你。
点头。
表情自然。
声音流畅。
嘴型同步
的 Avatar：
如果讲错，
反而可能：
更容易让人相信。
所以：
「看起来比较像真人」
不等于：
「答案比较准。」
企业真正要管的：
仍然是：
Grounding。
Knowledge。
Permissions。
Escalation。
客服最重要的不是「像不像真人」
真正 KPI
应该看：
问题有没有解决？
回答正不正确？
第一次解决率多少？
多少必须：
转真人？
高风险 Action
有没有：
正确停下？
客户最后：
有没有少花时间？
如果 Avatar：
做得非常逼真，
但：
一直答错库存。
那只是：
一个很漂亮的错误界面。
导入时最适合先做「低风险＋高频」
例如：
营业时间。
基本服务介绍。
场馆方向。
产品操作步骤。
预约流程说明。
订单状态。
这些：
有正式数据。
容易验证。
重复性高。
先测：
Live Agent
到底能不能：
比传统 Voice Bot
更自然地完成。
不要第一天就让它处理：
付款。
退款。
取消订单。
正式合约。
医疗判断。
重大财务决策。
敏感个资修改。
原因不是：
AI Avatar 特别危险。
而是：
这些 Action
本来就应该：
有更强 Approval。
可以先设三层工作
第一层：回答
查：
正式 Knowledge Base。
回答问题。
第二层：准备
帮忙：
填数据。
整理需求。
准备 Action。
第三层：运行
退款。
付款。
取消。
改订单。
正式送出。
第一层：
可以自动化多一点。
越往第三层：
越需要：
Human Approval。
这才是：
企业 Agent
比较合理的设计。
Google 也把 Live Avatar 做成 24 FPS 实时视频
Developer Guide
目前描述：
Gemini 3.8 Live
可直接生成：
同步的：
24 FPS Live Avatar Video。
搭配：
24 kHz Audio。
内核目标是：
Continuous Conversation。
也就是：
不要让 Avatar：
像早期 Digital Human
一样：
说一句。
停。
画面卡一下。
再换下一句。
真正要接近的是：
自然：
插话。
停顿。
转换话题。
继续 Context。
它还会听语气
Gemini 3.8 Live
加入：
Affective Dialogue。
模型可以从：
Prosody。
语气。
停顿。
Speech Inflection
判断：
用户目前的：
情绪与说话状态。
再调整：
Voice Tone。
Conversation Rhythm。
例如：
客人已经很急，
AI 不应该还：
慢慢讲五段背景。
不过：
这仍然是：
模型判断。
不能把它当成：
真正的心理分析。
另外有 Proactive Audio
Google 也加入：
Background Audio Filtering。
模型会尽量区分：
真正对它说的话
和：
旁边的背景声。
这对：
大厅。
展场。
商店。
机场
非常重要。
因为真实环境：
不会像 Demo Room
那么安静。
成本也不能只看「一个 Avatar 多少钱一个月」
这是：
API／Enterprise Tool。
Google Cloud 的计价方式
不是：
固定一个：
「Avatar Pro 每月 20 美元。」
而是：
依：
Text Input。
Image／Video Input。
Audio Input。
Text Output。
Audio Output。
Avatar Video Output
分开计量。
另外也有：
Pay-as-you-go。
Provisioned Throughput。
所以真正做企业项目时，
应该算：
Cost per Completed Conversation。
不是：
只看模型单价。
例如客服真正应该计算：
每次交互：
平均几分钟？
输入多少 Audio？
有没有 Camera Feed？
Avatar Video 开多久？
后端 Tool Call 几次？
最后：
多少问题真的解决？
如果：
一通 AI Avatar 客服
成本比真人便宜，
但：
50% 还是转真人，
就要：
把两边成本
一起算。
所以 Live Avatar 最适合的第一个 Pilot
不要先做：
「取代全部客服。」
先选：
一个：
很窄的问题。
例如：
饭店：
Check-in／设施／早餐说明。
展馆：
动线与展品基本信息。
零售：
产品规格与门市查找。
SaaS：
帐号设置与常见操作。
跑：
100～500 次真实交互。
看：
回答正确率。
平均处理时间。
转真人率。
客户满意度。
每次解决成本。
再决定：
要不要扩大。
Live Avatar 真正重要的地方，不是「AI 终于有一张脸」
AI Avatar：
早就不是新概念。
真正新的是：
以前：
Avatar
是一个：
Presentation Layer。
背后常常只是：
预录 Script。
现在：
Avatar
开始直接长在：
Real-time Agent
上面。
它能：
听。
看。
回答。
维持 Context。
搭配 Backend Workflow。
再透过：
一个视觉角色
和人持续交互。
这才是：
今天最值得注意的地方。
也因此，人机交互会多出一个新问题
以前：
网站 Chatbot
只要让用户知道：
「这是 AI。」
相对简单。
未来一个：
表情自然。
嘴型同步。
声音有情绪。
长得像真人
的数字客服，
企业更需要：
清楚告知：
这不是人类。
哪些信息：
会被收集。
Camera：
有没有开。
Screen：
分享了什么。
对话：
会不会保存。
哪些 Action：
可以自动做。
哪些：
会转真人。
AI 越像真人，
透明度反而越不能降低。
台湾用户今天应该怎么看这个工具？
如果你只是：
一般 Gemini 用户，
今天不用急着找：
Live Avatar 按钮。
它现在不是：
一个大众版滤镜功能。
如果你是：
企业。
开发者。
做：
客服。
教育。
导览。
交互式产品。
真正值得研究的是：
原本只有 Voice／Chat 的流程，有没有哪一步因为「AI 可以看见＋有视觉角色」而真的变更好？
如果没有，
根本不用：
硬加 Avatar。
因为画面本身不是 ROI
一个客服问题：
纯 Voice
30 秒解决。
加 Avatar
仍然：
30 秒。
而客户：
也不在意看到脸。
那 Avatar：
可能只是：
增加成本。
但如果场景需要：
创建信任。
示范操作。
看用户画面。
跨语言服务。
长时间交互。
那：
视觉存在
才可能真的：
改变体验。
最后记住一句话
Gemini 3.8 Live with Live Avatar
真正的进步，
不是：
「AI 终于会做一张会动的脸。」
而是：
「实时 Agent 开始同时能听、能看、能说，还能用一个持续存在的视觉角色和人完成工作。」
但越像真人，
越需要把：
身份。
数据。
权限。
转真人条件
讲清楚。
所以今天最值得测的，
不是：
Avatar 到底多逼真。
而是：
它有没有真的让一段原本卡住的人机交互，变得更快、更清楚，而且仍然知道什么时候该把决定权交回给人。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
今日 AI 工具｜2026/08/27：Gemini Live 新版，直接用语音整理 Gmail、听 Daily Brief，还能把多步骤工作交给 Spark
今日 AI 工具｜2026/07/28：OpenAI Presence，把客服 AI 从回答问题升级成能查数据、完成核准操作与转交真人
