‏Gemini 3.8 Live حالا صورت هم داره

گوگل Gemini 3.8 Live with Live Avatar رو معرفی کرد؛ نسخه‌ای از مدل مکالمهٔ زندهٔ Gemini که کنارش ویدیوی استریمی با تأخیر کم هم تولید می‌شه. یعنی طرف مقابل یه چهرهٔ متحرک می‌بینه که همزمان گوش می‌ده، می‌بینه و حرف می‌زنه. این قابلیت از روز معرفی (۲۴ سپتامبر ۲۰۲۶) تو Gemini Enterprise در دسترسه و فقط یه هفته بعد از عرضهٔ خود Gemini 3.8 Live اومده.

به گفتهٔ نویسنده‌ها، ایدهٔ اصلی اینه که مکالمه ذاتاً چندحالتیه: ما همزمان گوش می‌دیم، نگاه می‌کنیم، حرف می‌زنیم و از حالت چهره استفاده می‌کنیم. Live Avatar ورودی تصویری و صوتی رو با هم پردازش می‌کنه و لب‌خوانی دقیق، حالت‌های طبیعی چهره و نوبت‌گیری روان تحویل می‌ده. کاربرد هدفش هم سازمان‌هاست: پشتیبانی مشتری و راهنمای تعاملی محصول.

یه نکتهٔ فنی مهم، فراخوانی ابزار به‌صورت asynchronous هست، یعنی مدل می‌تونه وسط حرف زدن تو پس‌زمینه ابزار صدا کنه و داده بگیره بدون اینکه مکالمه قطع بشه. مثالی که خود گوگل می‌زنه پذیرش مهمون تو هتله: آواتار همون‌طور که داره حرف می‌زنه، کارهای سیستمی‌اش رو هم تو پس‌زمینه جلو می‌بره.

از نظر زبان، همگام‌سازی گفتار-به-گفتار چندزبانه به‌صورت native پشتیبانی می‌شه و مدل می‌تونه وسط مکالمه بین ۹۷ زبان جابه‌جا شه، در حالی که لب‌خوانی و حالت چهره خودشون رو تطبیق می‌دن و کیفیت ویدیو افت نمی‌کنه. سازمان‌ها هم می‌تونن از کتابخانهٔ آواتارهای آماده استفاده کنن یا از یه عکس مرجع باکیفیت، آواتار اختصاصی خودشون رو بسازن؛ این ساخت اختصاصی فعلاً فقط با allowlisting سازمانی فعال می‌شه.

گوگل می‌گه همهٔ خروجی صوتی و تصویری با SynthID واترمارک می‌شه؛ واترمارکی که چشم و گوش آدم متوجهش نمی‌شه ولی ابزارها می‌تونن تشخیصش بدن، تا جلوی سوءانتساب و انتشار اطلاعات غلط گرفته بشه. مستندات API و model card مدل هم منتشر شده.

نکات کلیدی:

• Gemini 3.8 Live with Live Avatar از ۲۴ سپتامبر ۲۰۲۶ در Gemini Enterprise عرضه شده
• جابه‌جایی بین ۹۷ زبان وسط مکالمه، بدون افت کیفیت ویدیو یا drift تصویری
• فراخوانی asynchronous ابزار: گرفتن داده در پس‌زمینه بدون قطع شدن دیالوگ
• آواتار اختصاصی از یه عکس مرجع ساخته می‌شه، ولی فعلاً فقط با allowlisting سازمانی
• تمام خروجی صوتی و تصویری با SynthID واترمارک می‌شه