- Funkce Live Avatar stojí na modelu Gemini 3.8 Live a míří na zákaznickou podporu, e‑shopy nebo kiosky
- Virtuální agent zvládá 97 jazyků a úkoly vyřizuje na pozadí bez přerušení hovoru
- Vlastní tvář dostanou jen prověřené firmy, veškeré video nese vodoznak SynthID
- Čeština a slovenština mezi podporovanými jazyky zatím chybí – naopak polština, ukrajinština či ruština nikoliv
Google minulý týden představil Gemini 3.8 Live, nový AI model pro hlasovou konverzaci v reálném čase, a teď mu dává tvář. Funkce Live Avatar ho propojuje s generováním videa téměř bez zpoždění, takže virtuální agent na obrazovce mluví, tváří se a rty mu přitom sedí na každé slovo.
ℹ️ Stačí jeden klik! Přidejte si nás mezi mezi preferované weby, případně nás sledujte v Google Zprávách, nebo na Seznam.cz
Poslouchá, dívá se a pracuje na pozadí
Model zpracovává zvuk i obraz současně, takže agent reaguje taky na to, co mu zákazník ukáže do kamery nebo nasdílí z obrazovky. Jedna z ukázek, které Google k novince zveřejnil, se odehrává v pojišťovně. Klient popisuje škodu a ukazuje ji do kamery, zatímco se formulář k pojistné události vyplňuje sám. Kontrolu pojistky a podklady pro likvidátora mezitím chystají další AI agenti v pozadí.
Hovor navíc nemusí stát, když je potřeba něco dohledat. Díky asynchronnímu volání nástrojů může agent poslat dotaz do rezervačního systému nebo jiné databáze a během čekání na výsledek dál mluvit. To Google předvádí na hotelové recepci, kde virtuální recepční odbavuje hosta a konverzace přitom plyne dál. Odpadá tak trapné ticho (nebo typická výtahová hudba), během kterého zákazník jen čeká.
Tvář podle firmy, jazyk podle zákazníka
Na výběr je knihovna hotových postav, případně si jde nechat vytvořit i vlastní. Stačí k tomu jediná kvalitní referenční fotka a ukázka hlasu. Aby se z funkce nestala továrna na deepfaky, zpřístupňuje ji Google jen prověřeným zákazníkům. Souhlas člověka, jehož tvář nebo hlas použijí, si navíc musí zajistit sami. Veškerý obraz i zvuk pak nese neviditelný vodoznak SynthID, podle kterého jde obsah vygenerovaný umělou inteligencí odhalit.
Podle Googlu avatar zvládá 97 jazyků a přepíná mezi nimi i uprostřed rozhovoru. Jazyk rozpozná sám a pohyby rtů i mimiku mu přizpůsobí tak, aby neutrpěla kvalita videa a obličej se vizuálně nerozjížděl. Dokumentace Live API je ale skromnější: v tabulce podporovaných jazyků vyjmenovává 24 jazykových variant a čeština mezi nimi chybí, na rozdíl od polštiny, ruštiny nebo ukrajinštiny. Jestli jde o zastaralou tabulku, nebo skutečné omezení, Google zatím nevysvětlil.
Za mlčení se neplatí
Gemini 3.8 Live s avatarem je od 24. září obecně dostupný ve firemní nabídce Gemini Enterprise na Google Cloudu, a to i s regionálními endpointy v Evropské unii. Video se účtuje po tokenech: vteřina mluveného obrazu odpovídá 6 192 tokenům a milion tokenů stojí dolar. Minuta mluvící tváře tak vyjde zhruba na 37 centů, v přepočtu necelých osm korun. Zvuk a vstupy se platí zvlášť, doba, kdy postava jen mlčky poslouchá, se naopak nepočítá.
Ke spotřebitelům se ale novinka dostane jen oklikou. Google ji zatím nabízí firmám, které z ní mají stavět zákaznickou podporu nebo interaktivní průvodce na webu, v mobilních aplikacích i v samoobslužných kioscích.
Mezi prvními zákazníky je Cox Automotive, která na technologii postavila nákupního asistenta pro autoinzertní portál Autotrader. Salesforce zase zkoumá, jak Gemini 3.8 Live propojit se svou platformou Agentforce. Kolik lidí bude o mluvící tvář místo živého operátora skutečně stát, zatím nikdo neví. Úsměv, který nepovadne ani u stého dotazu na stav objednávky, ale Google firmám dodá a potenciální finanční úspora bude jistě pro mnohé subjekty příliš lákavá na to, aby po novince neskočili hned jak to půjde.
