Gemini Live генерирует аватары на 97 языках: Google заменила связку сервисов одной моделью

До сих пор, чтобы собрать «говорящую голову» для поддержки или обучения, разработчику приходилось склеивать несколько сервисов: чат-бот отдельно, озвучка отдельно, анимация лица отдельно. Google объединила всё внутри одной модели и выпустила её в статусе General Availability (GA, полноценный релиз, а не тестовая версия) на корпоративной платформе Google Cloud. Об этом компания сообщила в официальном анонсе.

Что умеет Gemini Live с аватарами?

• Говорящий персонаж в реальном времени. Модель генерирует видео с аватаром до 24 кадров в секунду. Губы синхронизированы с речью, выражение лица меняется вместе с интонацией ответа.

• 97 языков с переключением на лету. Можно начать разговор на русском, перейти на английский и вернуться обратно. Синхронизация губ и мимика адаптируются к новому языку без перезапуска сессии. Для российских отелей, образовательных платформ и служб поддержки с иностранными клиентами это практически готовый сценарий.

• Считывание эмоций собеседника. Функция Affective dialogue (адаптивный диалог) учитывает темп речи, паузы и интонацию. Модель отличает спокойный вопрос от раздражённой жалобы и меняет манеру ответа.

• Фильтрация фонового шума. Функция Proactive audio отсекает посторонние разговоры и шум. Модель старается отвечать только тому, кто обращается именно к ней. Полезно для офиса, магазина или стойки регистрации.

• Работа с внешними сервисами прямо во время разговора. Через механизм Function calling (вызов функций) аватар может проверить бронь, найти заказ в CRM или запросить данные из внутренней системы. Раньше голосовому ИИ-агенту приходилось замолкать и ждать ответа сервера, теперь модель продолжает диалог, пока операция выполняется в фоне.

• Свой аватар по одной фотографии. Компании смогут создавать собственных персонажей по одному референсному изображению. Но пока пользовательские аватары доступны только отдельным клиентам после согласования с Google Cloud. Использовать изображения несовершеннолетних и знаменитостей запрещено, нужны права на лицо и голос.

Технические параметры для разработчиков

Взаимодействие идёт через двустороннее соединение WebSocket (постоянный канал связи, когда данные идут в обе стороны без создания нового запроса на каждую реплику).

• Входящее аудио: формат PCM, 16 кГц
• Входящее видео: JPEG, до одного кадра в секунду
• Выходное аудио: 24 кГц
• Выходное видео: MP4, 24 кадра в секунду
• Контекстное окно (объём информации, который модель учитывает внутри одной сессии): до 128 тысяч токенов (токен, единица текста, примерно одно слово)
• При использовании Live Avatar: до 24 тысяч токенов на выходе
• Идентификатор модели в API: gemini-3.8-live

Как попробовать?

1. Убедитесь, что у вашей организации есть доступ к Gemini Enterprise на платформе Google Cloud.
2. Используйте идентификатор модели gemini-3.8-live в API и подключитесь через WebSocket по документации Google Cloud.
3. Для пользовательских аватаров подайте запрос на согласование с Google Cloud, на старте доступны готовые персонажи и набор голосов.

Сравнение с российскими аналогами

На момент публикации ни YandexGPT, ни GigaChat (Сбер) не предлагают встроенных говорящих аватаров с синхронизацией губ и мимикой внутри разговорной модели. В России существуют отдельные сервисы генерации «говорящих голов», но они работают как внешние инструменты, их нужно подключать к чат-боту вручную. Gemini Live создает говорящих аватаров единым модулем, и именно этот подход пока не воспроизведён на российском рынке.

Для тех, кому нужен голосовой ИИ-агент на русском языке прямо сейчас, YandexGPT и GigaChat остаются рабочими вариантами для текстовых и голосовых сценариев без визуального аватара.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Поддержка 97 языков с живой мимикой открывает формат: видеоконсультант, который отвечает подписчикам голосом и лицом. Пока сервис доступен только через Google Cloud Enterprise, но уже можно продумать, какие рубрики выиграют от «говорящей головы» вместо текстового бота.

Маркетологу. Один API вместо связки «чат-бот плюс озвучка плюс анимация» может заметно сократить бюджет на разработку виртуального консультанта. Считайте экономику заранее: стоимость Google пока не назвала.

Предпринимателю в РФ и СНГ. Прямой доступ к Google Cloud Enterprise из России затруднён. Но если ваш бизнес работает с иностранными клиентами или у вас есть юрлицо за рубежом, сервис доступен. Для внутреннего рынка следите за тем, когда Яндекс или Сбер добавят аналогичную функцию, спрос на «цифровых сотрудников» с лицом растёт.

Частые вопросы

Gemini Live создает аватаров бесплатно?

Нет. Live Avatar доступен в тарифе Gemini Enterprise на Google Cloud. Точную стоимость Google в анонсе не раскрыла.

Можно ли использовать своё лицо для аватара?

Технически модель умеет создавать персонажа по одной фотографии. Но пользовательские аватары пока доступны только отдельным клиентам после согласования с Google Cloud. Использовать изображения несовершеннолетних и знаменитостей запрещено, также нужно иметь права на лицо и голос.

Будет ли это работать на русском языке?

По данным Google, модель поддерживает переключение между 97 языками прямо во время разговора. Синхронизация губ и мимика адаптируются к новому языку без перезапуска сессии. Конкретный список языков Google в анонсе не привела, но 97 языков с высокой вероятностью включают русский.

Теперь ИИ может ошибаться, глядя пользователю прямо в глаза. Но для коротких сценариев поддержки, обучения и консультаций, где важно «человеческое присутствие» на экране, это рабочий инструмент уже сейчас, просто держите живого специалиста за кулисами.