Gemini 3.8 Live 携 Live Avatar 亮相：谷歌为其语音模型赋予一张脸

Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 于 2026 年 9 月 15 日发布——这是 Google 在该厂商 API 上开放的两个原生实时对话端点，一个针对延迟进行优化，一个针对深思熟虑进行优化。9 月 24 日，该公司发布了 Gemini 3.8 Live with Live Avatar，它将近乎实时的视频生成与同一套语音循环配对，让模型在说话时有一张脸。两个模型 ID 没有任何变化。变化的是对话被允许呈现的样子，以及——影响更为深远的是——模型在对话仍在进行时被允许对对话做什么。

9月24日实际发布了什么

DeepMind 的这篇帖子简短而具体，值得将其所声称的内容与它所意味着的东西区分开来。用谷歌自己的话说，Live Avatar 通过将实时视频生成与现有的语音技术栈相结合，“为 Gemini 的对话式 AI 带来近乎实时的视觉临场感”。该公司描述了精准的口型同步、自然的表情和流畅的话轮转换，并给出了两个部署示例：客户服务和交互式导览。接着，它说出了对任何计划进行构建的人来说最重要的一句话——“从今天起，搭载 Live Avatar 的 Gemini 3.8 Live 已在 Gemini Enterprise 中可用。”

这就是关于可用性的全部情况。Live Avatar 并不是一个 Gemini API 模型 ID。该 API 的音频模型列表中仍然包含 gemini-3.8-live和 gemini-3.8-live-extended-thinking，并没有 avatar 这一行，价目表上也没有 avatar 这一条目。该功能落在 Gemini Enterprise 内部，这意味着这则公告的受众是企业采购方，以及代他们进行集成的开发者，而不是今天拿着密钥调用 Live API 的个人开发者。

帖子中有两项说法值得精确引用，因为二者都比常见的发布措辞更为强势。第一项：Live Avatar“具备原生多语言语音到语音同步功能”，并且“可在 97 种语言之间无缝切换，而不会降低视频保真度或引入视觉偏移”。97 这一数字与 9 月 15 日发布时为底层实时对话模型所声称的语言数量相同，因此这不过是把现有的多语言说法重述了一遍，并附加了一项新约束——当语言在句子中途切换时，唇形同步和面部动画必须跟得上。第二项：所有输出都带有 SynthID 水印，“直接编织进音频和视频输出之中”。两条轨道都有，而不只是语音。

真正全新的能力是中间那个。

跳过那些视觉呈现，最有趣的段落是关于工具调用的那一段。谷歌表示，Live Avatar 依托的是“异步工具调用”，它能够“在继续活跃对话的同时，在后台触发工具调用并获取数据，处理复杂任务，同时确保对话流程不中断”。文中给出的实例是酒店客人入住：模型在后台调用工具，同时继续与客人交谈。

这与大多数语音集成所基于的请求-响应形态存在真正的架构差异，而且正是这部分附带着成本。异步执行意味着模型正在做转录文本不会显示的工作。在文本流水线中，你会把工具调用看作一个轮次。而在这里，它发生在仍在进行中的对话底层，这就引发了任何并发执行都会引发的同样问题：如果工具调用在句子中间静默失败，会发生什么，调用方又如何知道？Google 的帖子没有说明，而模型卡才是查找这一点的地方。请把“不间断的对话流”这一说法视为供应商自述，并且未经我们能找到的任何第三方测试。

预设头像，以及限制有趣那一半的允许列表

定制化方案分为两个层级，其中只有一个层级是普遍可用的。每个企业部署都会获得“一个多样化预设头像库”。自定义头像——从“高质量参考图像”生成，同时“保留参考对象的相似度、品牌风格或角色身份”——则设有一道门槛，Google 明确表示：“自定义头像创建目前仅通过企业白名单提供。”

所以，大多数团队实际上真正想要的那个能力——让虚拟形象匹配品牌或具名角色的能力——恰恰是你无法自助开通的。如果你的计划依赖于一个长得像你们吉祥物的合成主持人，那么你等的是白名单审批决定，而不是模型发布。这是一个采购事实，而非技术事实，而且这种事会悄无声息地拖掉一个季度。

它相对于该行其余部分所处的位置

Live Avatar 并非诞生于一个空无一物的产品家族；要最清楚地看出它所处的位置，最好是与同一两周内一同发布的兄弟产品作对比。

• 交付形式 — 带 Live Avatar 的 Gemini 3.8 Live 是 Gemini Enterprise 内的一项企业级能力，而 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 则是 Gemini API 端点，具有模型 ID 和公开发布的按分钟费率
• 可供开发者调用 — Live Avatar 不可以，没有模型 ID，也没有费率表条目；而两个 Live 端点则可以，gemini-3.8-live 和 gemini-3.8-live-extended-thinking
• 输出 — Live Avatar 输出音频加同步视频，而 Live 端点仅输出音频
• 语言能力声明 — Live Avatar 支持 97 种语言，具备唇形同步和表情连续性；而 Live 端点支持 97 种语言，可在对话中途自动切换
• 水印 — Live Avatar 在音频和视频轨道上均带有 SynthID，而 Live 端点仅在生成的音频上带有 SynthID

这两个 Live 端点本身便是那对记录完备的组合。独立测量显示，它们在某些维度上相距甚远，在另一些维度上则很接近：在 Artificial Analysis Speech to Speech Index 上，Gemini 3.8 Live Extended Thinking (High) 为 82.6，而 Gemini 3.8 Live 为 76.0，这一差距主要建立在推理质量而非对话动态之上；而在对话动态上，排序会发生反转。Google 自己的数据则显示，二者在 τ-Voice 任务完成率上分别为 68.6% 和 30.1%，在 Big Bench Audio 上分别为 98% 和 92%。Live Avatar 会继承你在其底层调用的是这两者中的哪一个，也会继承它们的定价，因为该头像只是同一对话循环之上的一层呈现。

这不会改变什么

它并不会让模型变得更好。Live Avatar 是一个呈现与编排层：Gemini 3.8 Live 的质量指标仍与 9 月 15 日时相同，任何需要两个变体中更强那个的人，仍然必须选择 Extended Thinking，并接受它的延迟。它没有把视频放进 API。它也没有改变与模型对话的价格，该价格仍按 Live API 的每分钟音频费率计费——音频输入每分钟 0.005 美元，音频输出每分钟 0.018 美元——而虚拟形象的视频生成在公开层面没有定价，因为它不单独出售。

它真正改变的是无需单独渲染层就能构建的产品集合。一个此前只会说话、在屏幕上留下一块空白面板的客服代理，如今可以在工作时拥有一张面孔，而它在后台所做的工作也不再以冷场的形式显现。这对界面形态而言是实实在在的变化，对底层模型而言则是温和的变化。这两点可以同时成立。

值得关注的内容，以及一条路由说明

有三件事会把它从一则公告变成一项构建决策。自定义虚拟形象的白名单准入必须开放，因为预设虚拟形象只是演示，自定义虚拟形象才是产品。视频轨道必须有一个定价，因为没人能基于一个未定价的产出建模单位经济。而且一个虚拟形象端点必须出现在 API 的模型列表中，因为这就是企业级功能与开发者今晚就能调用的东西之间的区别。

就我们自己而言，有一点值得明确说明，因为人们很容易作出相反的假设：OrcaRouter 并不路由 Gemini 3.8 Live 端点或 Live Avatar，本文中的任何内容都不应被理解为它具备这一能力。我们确实提供的是 Google 3.8 系列的其他部分——google/gemini-3.8-flash便是其中之一——以及一个包含 200 多个模型的目录，全部来自单一密钥，按供应商标价，无任何加价。如果 Live Avatar 把你的架构引向一个必须对客户所说内容进行推理的智能体，那么该技术栈中推理的那一半，正是你今天就能整合起来的部分。