Google ha lanzado hoy Gemini 3.8 Live Avatar, una versión de su modelo de conversación por voz que además genera en directo la cara de quien te habla: un avatar que mueve los labios, gesticula y respeta los turnos de palabra casi en tiempo real. Lo cuenta en su blog oficial el equipo de audio de Gemini, y ya está disponible en Gemini Enterprise.
Llega ocho días después del modelo en el que se apoya. El 16 de septiembre Google presentó Gemini 3.8 Live, que razona mientras habla y cambia entre 97 idiomas. Aquel modelo ya escuchaba y veía. Lo nuevo es que ahora también se deja ver.
Puntos clave de Gemini 3.8 Live Avatar
- Qué es: el modelo de voz Gemini 3.8 Live acoplado a generación de vídeo con baja latencia. Escucha, mira por la cámara y contesta con voz y con un personaje animado.
- Idiomas: 97, con cambio a mitad de conversación. Los labios y las expresiones se adaptan al idioma sin que el vídeo pierda calidad ni se "descoloque".
- Herramientas: puede lanzar consultas y llamadas a sistemas por detrás mientras sigue hablando contigo.
- Avatares: hay una biblioteca de personajes predefinidos. Crear uno propio a partir de una foto de referencia solo está abierto a empresas en lista de acceso.
- Dónde: Gemini Enterprise y la API de Gemini, desde hoy. Google no ha publicado precio.
- Marca de agua: todo el audio y el vídeo sale firmado con SynthID.
Qué hace exactamente
El anuncio lo firman Shuo-yiin Chang, del área de investigación de Google, y CJ Zheng, del equipo de audio de Gemini. La idea de fondo es simple: una conversación entre personas no es solo voz. Miramos, escuchamos, hablamos y ponemos caras. Hasta hoy los agentes de voz de Google cubrían las tres primeras cosas. Live Avatar añade la cuarta.
El avatar procesa a la vez lo que entra por el micrófono y lo que entra por la cámara, y responde con audio y vídeo generados en el momento. Google insiste en tres detalles: la sincronía labial precisa, las expresiones naturales y lo que llama *turn-taking* fluido. Traducido: que no se pisen al hablar y que el personaje no se quede congelado mientras tú terminas la frase.
Lo segundo son las herramientas. Igual que el modelo del día 16, el avatar puede llamar a sistemas externos de forma asíncrona. Pide un dato a tu CRM (el programa donde tienes a los clientes), a tu sistema de reservas o a lo que sea, y mientras llega la respuesta sigue la conversación. La demo que enseña Google es el check-in de un huésped en un hotel: el avatar habla con el cliente mientras por detrás busca la reserva y la procesa.
Y lo tercero, los idiomas. Son los mismos 97 del modelo de voz, pero con una complicación añadida. Cambiar de idioma en audio es una cosa. Cambiar de idioma con una cara que tiene que vocalizar distinto en japonés que en español, sin que el vídeo se degrade, es bastante más difícil. Google dice que lo resuelve sin la "deriva visual" que suele aparecer en estos sistemas cuando la conversación se alarga: esa cara que poco a poco deja de parecerse a sí misma.
El avatar de tu marca, pero con lista de espera
Aquí está la parte que más le interesa a una empresa. Además de los avatares de catálogo, Google permite generar uno propio a partir de una imagen de referencia de alta calidad. El sistema lo anima entero y mantiene el parecido, el estilo de marca o la identidad del personaje.
Pero no está abierto para todos. La creación de avatares personalizados solo funciona, por ahora, mediante *allowlisting*: Google decide qué empresas entran. Tiene sentido. Una herramienta que convierte una foto en un personaje que habla 97 idiomas es exactamente lo que alguien usaría para suplantar a una persona real. Por eso el control de acceso, y por eso la marca de agua.
Esa marca es SynthID, la misma que Google ya mete en el audio del modelo de voz. Va tejida dentro del audio y del vídeo, no se ve ni se oye, y permite detectar después que el contenido lo generó una IA. Google remite a la ficha técnica del modelo (el *model card*) para el detalle de seguridad. Lo que no cuenta en el anuncio es cómo se verifica que la foto de referencia que sube una empresa es de alguien que ha dado permiso.
Qué no sabemos todavía
El anuncio es corto y deja fuera varias cosas que cualquier responsable de operaciones va a preguntar antes de firmar:
- Precio. No hay cifra. Generar vídeo en directo cuesta bastante más cómputo que generar voz, así que es razonable esperar que el minuto de avatar salga más caro que el minuto de voz. Pero es una suposición mía, no un dato de Google.
- Latencia real. Google habla de "casi tiempo real". No da milisegundos.
- Países. No dice si hay restricciones por región. Con avatares que reproducen caras, Europa suele ir con retraso por la parte regulatoria.
- Qué variante del modelo. El 16-sep salieron dos, Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking, la que razona más a fondo. El anuncio de hoy habla de Gemini 3.8 Live sin más.
Sobre la calidad del agente como tal sí hay datos de la semana pasada. En el τ-Voice-banking de Sierra, la prueba que simula atención bancaria, según los datos que Google dio en el lanzamiento, Gemini 3.8 Live Extended Thinking completaba el 35,1% de las tareas. Ponerle cara a un agente no lo hace acertar más. Lo hace más agradable de escuchar.
Por qué importa
Si tu empresa ya tiene un bot de atención por chat o por teléfono, esto no cambia lo que el bot sabe hacer. Cambia la forma. Y en algunos sitios la forma es media venta: un recepcionista de hotel, un asistente en una tienda online de producto caro, un tutorial de alta de cliente en el que alguien te va enseñando la pantalla.
Mi consejo es no empezar por el avatar. Empieza por el agente de voz, que ya está disponible desde el día 16 y es más barato de probar. Mide si resuelve las consultas. Si las resuelve y ves que la gente abandona porque "habla con una máquina", entonces tiene sentido probar la cara. Al revés es poner maquillaje a algo que todavía no funciona.
Y si estás en Google Workspace y ya pagas Gemini Enterprise, pregunta a tu comercial por el acceso a los avatares personalizados. Es donde está lo diferencial, y hoy hay cola.
Fuente original: Google
Relacionado
