以前講：
AI Voice Agent，
畫面通常很簡單。
你對著：
電話。
App。
智慧音箱
說話。
AI 回你：
一個聲音。
現在 Google 想再往前一步。
不只：
讓 AI 說話。
而是：
讓你看到一個正在和你說話的 AI。
Google 9 月 24 日正式推出：
Gemini 3.8 Live with Live Avatar。
它把：
即時語音。
即時視覺理解。
虛擬人物。
後端 Agent Workflow
放進：
同一個即時對話體驗。
最適合的場景不是：
「幫我寫一篇文章。」
而是：
需要人一直互動的工作。
例如：
客服。
旅館櫃台。
展場導覽。
教育。
產品諮詢。
遠端協助。
先搞懂：Live Avatar 不是普通 AI 生影片
這點很重要。
一般 AI Avatar 工具：
可能是你先輸入：
一段 Script。
再等 AI：
生成一段影片。
Gemini 3.8 Live with Live Avatar
不是這種工作方式。
它比較像：
即時 Video Call。
你說一句。
Avatar：
即時理解。
即時回答。
嘴型跟著：
AI 產生的聲音。
表情也跟著：
Conversation
動態改變。
不是：
先把整段影片做完
再播放。
Google 把它建立在 Gemini 3.8 Live 上
Gemini 3.8 Live
本來就是：
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：
你說話。
AI 不一定先完整轉成文字、
再產文字、
再交給另一套 TTS。
Google 把：
聽。
理解。
回答。
說話
放進：
同一個 Live Model。
這也是為什麼：
它比較適合：
Continuous Conversation。
Live Avatar 再多加一層「視覺存在」
Google 現在把：
Video Avatar
同步加入。
官方表示：
Live Avatar 可以根據生成語音：
同步：
Lip-sync。
Facial Expression。
Conversation Response。
所以使用者不只是：
聽到一個 Voice Bot。
而是：
看到一個：
正在對自己說話的數位角色。
而且支援 97 種語言
這是它最適合：
跨國客服
的一個地方。
Google 表示：
Gemini 3.8 Live with Live Avatar
可以：
理解和說：
97 種語言。
而且可以：
Automatic Language Detection。
甚至：
對話中切換語言。
Avatar 的：
嘴型。
表情
仍會跟著改。
所以假設：
飯店櫃台。
第一個客人說：
英文。
第二個：
日文。
第三個：
西班牙文。
理論上：
不需要替每種語言
另外做一套：
預錄 Avatar Video。
同一套 Live Agent
可以：
動態切換。
這和傳統多語客服成本差很多
以前做：
Digital Human。
如果有：
10 種語言。
常常意味著：
10 套：
語音。
Script。
Recording。
Avatar Content。
更新一次內容：
可能全部重做。
Live Avatar 的方向是：
內容在對話當下生成。
所以企業真正維護的是：
Knowledge。
Rules。
Backend Tools。
Permissions。
不是：
幾千支預錄影片。
它不只「聽」，也能看
這點比 Avatar 外表：
更實用。
Gemini 3.8 Live
支援：
Live Visual Understanding。
也就是可以同時理解：
Camera Feed。
Screen Share。
Audio。
所以使用者可以：
邊說。
邊給 AI 看東西。
例如飯店旅客可以直接把畫面給它看
假設客人說：
「我訂房資料裡是不是含早餐？」
然後：
把手機畫面
對著 Camera。
理想 Workflow 可以是：
Avatar：
先理解：
使用者正在看的畫面。
再搭配：
後端訂房資料。
回答：
目前能確認的內容。
如果牽涉：
改房型。
退款。
加價。
付款。
再進：
人工或 Approval Step。
這比：
叫客人把：
訂單編號。
姓名。
方案。
日期
全部念一遍，
自然很多。
遠端技術支援也可能很適合
例如：
客戶不知道：
Router 哪一顆燈有問題。
以前：
客服：
「你看左邊第三顆燈。」
客戶：
「哪一顆？」
客服：
「不是那個。」
如果 AI 可以：
直接看：
Camera Feed，
使用者可以：
把鏡頭對著設備。
AI：
根據畫面
一步一步說：
下一步要看哪裡。
注意：
這只是：
適合 Live Visual Understanding
的一種使用情境。
不是說：
Gemini 已經內建每一家 Router
的維修資料。
企業仍然要：
接自己的：
Knowledge Base。
Product Data。
Service Workflow。
Screen Share 更適合軟體客服
例如：
客戶說：
「我找不到 Export。」
與其：
一來一往描述：
左上角。
右上角。
Settings。
Menu。
如果 Agent：
可以看到：
使用者分享的畫面，
它就能：
根據：
目前 UI State
直接指導。
這會比：
只聽文字描述
少很多：
Context Loss。
真正有趣的其實不是 Avatar，而是「邊聊邊做」
Google Cloud 對 Gemini 3.8 Live
特別強調：
即時對話期間，
Agent 可以搭配：
Backend Tools。
API。
其他企業系統
完成工作。
而對話：
不用因此完全停下來。
這件事非常關鍵。
因為傳統 Voice Bot：
很容易變成：
客人說一句。
停。
系統查資料。
停。
再回答。
非常不像真人。
Google 想做的是：
例如：
「我幫你查一下。」
Agent：
背景處理。
同時還能：
維持對話 Context。
這才是真正的「Live Agent」
不是：
一個動畫人物
在嘴巴動。
而是：
它背後可以：
理解。
查資料。
使用工具。
處理 Workflow。
Avatar：
只是：
把這些能力
變成：
更像面對面互動的入口。
哪些場景最可能先有價值？
第一：Customer Service
適合：
高頻。
重複。
但又需要：
語音互動
的問題。
例如：
訂單查詢。
產品說明。
基本故障排除。
政策解說。
第二：Hospitality／Tourism
飯店。
機場服務。
旅遊資訊。
展館。
Visitor Center。
這些地方：
天然就有：
多語需求。
而且很多問題：
重複性很高。
第三：Education
例如：
Virtual Tutor。
學生：
可以用語音問。
甚至：
把畫面、
作業、
示意圖
給 Agent 看。
Agent：
再即時回應。
但涉及：
評分。
重要教育判斷。
仍然要另外設計：
Human Review。
第四：Retail
例如：
店內 Kiosk。
顧客可以：
拿商品給鏡頭看。
問：
差異。
規格。
用途。
庫存。
如果再連：
企業正式商品資料，
就能：
減少：
人工重新查詢。
但：
價格。
促銷。
庫存
仍然應該以：
正式 Backend Data
為準。
不能讓模型：
自己猜。
第五：Remote Assistance
特別適合：
「我不知道怎麼描述我看到的東西。」
例如：
設備。
軟體畫面。
產品組裝。
操作步驟。
讓 Agent：
看到同一個畫面，
通常比：
人一直用文字解釋
容易很多。
但現在一定要知道：這不是一般 Gemini App 的新按鈕
今天如果看到：
Live Avatar
就立刻打開：
Gemini App
找：
「Avatar Mode。」
很可能：
找不到。
因為 Google 現在正式公布的是：
Gemini Enterprise。
以及：
API。
它的主要對象是：
Developer。
Enterprise。
要拿來：
建立自己的：
Customer Service。
Tutor。
Concierge。
Kiosk。
Agent Experience。
不是：
一般消費者今天換一個頭像
就能直接視訊聊天。
Gemini 3.8 Live 已經是 GA
這一點也要和：
Demo
分清楚。
Google Cloud 已經把：
Gemini 3.8 Live with Live Avatar
列為：
Generally Available。
也就是：
可以拿來：
Production。
不是只有：
Private Research Demo。
目前提供：
US。
EU
Multi-region Endpoint。
支援：
Pay-as-you-go。
也支援：
Provisioned Throughput。
但 Custom Avatar 還沒有完全開放
Google 有提供：
Preset Avatar。
也就是：
預先準備好的虛擬人物。
如果企業想做：
自己的品牌角色。
或者：
用一張高品質 Reference Image
建立：
具有指定外觀的 Avatar，
目前：
Custom Avatar Creation
仍然需要：
Enterprise Allowlist。
所以不能寫成：
「今天所有人都能上傳一張照片，立刻做成 Gemini Live Avatar。」
還不是。
而且「可以保留人物外觀」會立刻碰到身份問題
Avatar 一旦可以：
從 Reference Image
建立，
最大的風險就是：
假冒真人。
Deepfake。
品牌冒用。
Google 表示：
Live Avatar
針對：
Identity
加入安全設計。
所有 AI 生成的：
Audio。
Video
也會加入：
SynthID。
SynthID
是：
不可見的 AI Watermark。
目的是讓：
生成內容
未來更容易被：
辨識。
但 SynthID 不等於「不會被濫用」
這一點和我們以前談：
AI Image／Video
一樣。
Watermark：
是：
Provenance Signal。
不是：
Permission。
不是：
肖像權授權。
也不是：
企業可以隨便用任何人的臉。
真正做 Custom Avatar
仍然要確認：
人物授權。
品牌授權。
使用範圍。
告知。
資料保存政策。
如果是客服，還要再加一條：不能讓 Avatar 外表提高錯誤可信度
這可能是：
Live Avatar
很容易被忽略的問題。
純文字 AI：
講錯。
人還比較容易：
懷疑。
一個：
看著你。
點頭。
表情自然。
聲音流暢。
嘴型同步
的 Avatar：
如果講錯，
反而可能：
更容易讓人相信。
所以：
「看起來比較像真人」
不等於：
「答案比較準。」
企業真正要管的：
仍然是：
Grounding。
Knowledge。
Permissions。
Escalation。
客服最重要的不是「像不像真人」
真正 KPI
應該看：
問題有沒有解決？
回答正不正確？
第一次解決率多少？
多少必須：
轉真人？
高風險 Action
有沒有：
正確停下？
客戶最後：
有沒有少花時間？
如果 Avatar：
做得非常逼真，
但：
一直答錯庫存。
那只是：
一個很漂亮的錯誤介面。
導入時最適合先做「低風險＋高頻」
例如：
營業時間。
基本服務介紹。
場館方向。
產品操作步驟。
預約流程說明。
訂單狀態。
這些：
有正式資料。
容易驗證。
重複性高。
先測：
Live Agent
到底能不能：
比傳統 Voice Bot
更自然地完成。
不要第一天就讓它處理：
付款。
退款。
取消訂單。
正式合約。
醫療判斷。
重大財務決策。
敏感個資修改。
原因不是：
AI Avatar 特別危險。
而是：
這些 Action
本來就應該：
有更強 Approval。
可以先設三層工作
第一層：回答
查：
正式 Knowledge Base。
回答問題。
第二層：準備
幫忙：
填資料。
整理需求。
準備 Action。
第三層：執行
退款。
付款。
取消。
改訂單。
正式送出。
第一層：
可以自動化多一點。
越往第三層：
越需要：
Human Approval。
這才是：
企業 Agent
比較合理的設計。
Google 也把 Live Avatar 做成 24 FPS 即時影片
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。
核心目標是：
Continuous Conversation。
也就是：
不要讓 Avatar：
像早期 Digital Human
一樣：
說一句。
停。
畫面卡一下。
再換下一句。
真正要接近的是：
自然：
插話。
停頓。
轉換話題。
繼續 Context。
它還會聽語氣
Gemini 3.8 Live
加入：
Affective Dialogue。
模型可以從：
Prosody。
語氣。
停頓。
Speech Inflection
判斷：
使用者目前的：
情緒與說話狀態。
再調整：
Voice Tone。
Conversation Rhythm。
例如：
客人已經很急，
AI 不應該還：
慢慢講五段背景。
不過：
這仍然是：
模型判斷。
不能把它當成：
真正的心理分析。
另外有 Proactive Audio
Google 也加入：
Background Audio Filtering。
模型會盡量區分：
真正對它說的話
和：
旁邊的背景聲。
這對：
大廳。
展場。
商店。
機場
非常重要。
因為真實環境：
不會像 Demo Room
那麼安靜。
成本也不能只看「一個 Avatar 多少錢一個月」
這是：
API／Enterprise Tool。
Google Cloud 的計價方式
不是：
固定一個：
「Avatar Pro 每月 20 美元。」
而是：
依：
Text Input。
Image／Video Input。
Audio Input。
Text Output。
Audio Output。
Avatar Video Output
分開計量。
另外也有：
Pay-as-you-go。
Provisioned Throughput。
所以真正做企業專案時，
應該算：
Cost per Completed Conversation。
不是：
只看模型單價。
例如客服真正應該計算：
每次互動：
平均幾分鐘？
輸入多少 Audio？
有沒有 Camera Feed？
Avatar Video 開多久？
後端 Tool Call 幾次？
最後：
多少問題真的解決？
如果：
一通 AI Avatar 客服
成本比真人便宜，
但：
50% 還是轉真人，
就要：
把兩邊成本
一起算。
所以 Live Avatar 最適合的第一個 Pilot
不要先做：
「取代全部客服。」
先選：
一個：
很窄的問題。
例如：
飯店：
Check-in／設施／早餐說明。
展館：
動線與展品基本資訊。
零售：
產品規格與門市查詢。
SaaS：
帳號設定與常見操作。
跑：
100～500 次真實互動。
看：
回答正確率。
平均處理時間。
轉真人率。
客戶滿意度。
每次解決成本。
再決定：
要不要擴大。
Live Avatar 真正重要的地方，不是「AI 終於有一張臉」
AI Avatar：
早就不是新概念。
真正新的是：
以前：
Avatar
是一個：
Presentation Layer。
背後常常只是：
預錄 Script。
現在：
Avatar
開始直接長在：
Real-time Agent
上面。
它能：
聽。
看。
回答。
維持 Context。
搭配 Backend Workflow。
再透過：
一個視覺角色
和人持續互動。
這才是：
今天最值得注意的地方。
也因此，人機互動會多出一個新問題
以前：
網站 Chatbot
只要讓使用者知道：
「這是 AI。」
相對簡單。
未來一個：
表情自然。
嘴型同步。
聲音有情緒。
長得像真人
的數位客服，
企業更需要：
清楚告知：
這不是人類。
哪些資訊：
會被收集。
Camera：
有沒有開。
Screen：
分享了什麼。
對話：
會不會保存。
哪些 Action：
可以自動做。
哪些：
會轉真人。
AI 越像真人，
透明度反而越不能降低。
台灣使用者今天應該怎麼看這個工具？
如果你只是：
一般 Gemini 使用者，
今天不用急著找：
Live Avatar 按鈕。
它現在不是：
一個大眾版濾鏡功能。
如果你是：
企業。
開發者。
做：
客服。
教育。
導覽。
互動式產品。
真正值得研究的是：
原本只有 Voice／Chat 的流程，有沒有哪一步因為「AI 可以看見＋有視覺角色」而真的變更好？
如果沒有，
根本不用：
硬加 Avatar。
因為畫面本身不是 ROI
一個客服問題：
純 Voice
30 秒解決。
加 Avatar
仍然：
30 秒。
而客戶：
也不在意看到臉。
那 Avatar：
可能只是：
增加成本。
但如果場景需要：
建立信任。
示範操作。
看使用者畫面。
跨語言服務。
長時間互動。
那：
視覺存在
才可能真的：
改變體驗。
最後記住一句話
Gemini 3.8 Live with Live Avatar
真正的進步，
不是：
「AI 終於會做一張會動的臉。」
而是：
「即時 Agent 開始同時能聽、能看、能說，還能用一個持續存在的視覺角色和人完成工作。」
但越像真人，
越需要把：
身份。
資料。
權限。
轉真人條件
講清楚。
所以今天最值得測的，
不是：
Avatar 到底多逼真。
而是：
它有沒有真的讓一段原本卡住的人機互動，變得更快、更清楚，而且仍然知道什麼時候該把決定權交回給人。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
今日 AI 工具｜2026/08/27：Gemini Live 新版，直接用語音整理 Gmail、聽 Daily Brief，還能把多步驟工作交給 Spark
今日 AI 工具｜2026/07/28：OpenAI Presence，把客服 AI 從回答問題升級成能查資料、完成核准操作與轉交真人
