Google Cloud 9 月 25 日宣布，Gemini 3.8 Live with Live Avatar 在 Gemini Enterprise 上转为正式可用。这个版本在原有的实时语音对话模型上加了一张会说话的“脸”：生成视频头像，口型与语音同步，面向客服、导购、产品讲解这类需要真人感的场景。它最早在 Google Cloud Next 2026 上做过预览。
这一版能做什么
按 Google Cloud 博客的描述，Gemini 3.8 Live 这次主打五项能力：
- 视频头像：生成口型同步的对话头像；
- 语音到语音：原生语音对话，用户中途插话后能接着聊，前面的上下文和后台正在执行的操作不会丢；
- 异步工具调用：对话不中断，同时在后台调 API、查 CRM 或 ERP；
- 多语言：能听能说 97 种语言，自动识别语种；
- 实时视觉：同时处理摄像头画面、屏幕共享和音频。
部署上提供美国和欧盟两个端点，支持预留吞吐量（provisioned throughput），并强调企业合规与数据治理。
有两处限制写在公告里。自定义头像目前只对白名单客户开放，企业想用自己的形象或代言人，得先过 Google 这一关。所有生成的音频和视频流都嵌入肉眼不可见的 SynthID 水印。另外，带长思考的 Gemini 3.8 Live Extended Thinking 仍在私有预览，没有随这次一起转正。
客户拿它做了什么
公告列了四家客户。Cox Automotive 旗下的 Autotrader 用它做购车助手，头像一边对话，一边在网页上高亮车源、比较车型、讲解贷款。Cox Automotive 首席产品官 Marianne Johnson 的说法是：
“Shoppers increasingly expect to describe what they need in their own words rather than work through filters and menus.” （买车的人越来越希望用自己的话说出需求，不想再一层层点筛选菜单。）
印度公司 Equal AI 的个人助理每天处理超过 100 万通实时电话，覆盖 9 种印度语言，公司 CEO 称新版改善了插话处理、多语对话和工具调用的可靠性。Salesforce 表示正把它与 Agentforce 结合；做 AI 助手平台的 Specs 则提到语音活动检测和整体延迟的改进。这些都是公司自述，公告里没有给出延迟毫秒数或转化率这类可比数据。
国内开发者用得上吗
Gemini Enterprise 和 Live API 依托 Google Cloud 提供服务，中国大陆开发者无法直接调用，出海团队可以走美国或欧盟端点。97 种语言里包括中文，面向东南亚、中东等多语市场的客服与导购场景，是最直接的用武之地。
国内的数字人客服和直播数字人已经跑了几年，常见做法是把语音识别、大模型、语音合成、驱动口型的数字人几段拼起来，每一段各有延迟，插话处理也常是短板。谷歌这次把听、说、看、调工具和出画面放进同一个实时模型，押的是端到端方案在延迟和打断体验上的优势。两条路线谁更划算，要看头像输出的计价和实际并发成本，这一点目前没有公开数字可比。
谷歌此前已上线 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 语音合成模型，这次公告也把 Gemini 3.5 Transcribe、Gemini 3.5 Live Translate 一并列进企业音频模型清单。实时对话、转写、翻译、合成加上视频头像，谷歌企业语音这条产品线已经基本齐了。
还没说清的部分
Live Avatar 的价格，博客只给了定价页入口，没有单列头像视频输出的费率；白名单的申请条件和审核周期也没有公开。SynthID 水印的检测工具对哪些第三方开放，这次同样没有说明。企业评估要不要上线，这几项会直接影响成本和合规判断。
参考来源：Google Cloud 官方博客、Android Headlines、CocoLoop、Unite.AI；核验支持语种数量、白名单与水印限制、Equal AI 日均通话量及各客户引语。