Gemini 3.8 Live Avatar dá rosto ao apoio ao cliente em 97 línguas

A Google deu um rosto em vídeo, em tempo real e com sincronização labial, ao seu modelo de voz para voz, e vendeu-o primeiro aos balcões de apoio ao cliente e aos stands de automóveis. Cada fotograma leva uma marca de água SynthID; nenhum documento do lançamento atribui um preço a esse rosto.

Há duas décadas que o apoio ao cliente fala com as pessoas através de uma caixa vazia: um menu telefónico, uma bolha de chat, uma voz sintética sem nada por trás. A 25 de setembro, a Google disponibilizou de forma geral o Gemini 3.8 Live com Live Avatar no Gemini Enterprise, e o produto é uma tentativa direta de preencher essa caixa com um rosto. O avatar fala, mexe os lábios em sintonia com as palavras, faz expressões e continua a conversar enquanto procura informação em segundo plano. Funciona em 97 línguas e muda de uma para outra a meio da chamada quando o cliente o faz. A Google aponta-o às participações de sinistros, ao check-in em hotéis e à compra de automóveis, e não aos palcos de demonstração, o que diz bastante sobre o sítio onde a empresa julga estar o dinheiro da IA de voz.

Por baixo do rosto está o Gemini 3.8 Live, o modelo nativo de voz para voz que a Google anunciou na semana anterior, a par de uma variante Extended Thinking. Voz para voz significa que o modelo ouve áudio e responde em áudio sem primeiro converter a conversa em texto e depois de volta. Os bots de voz mais antigos eram montados como uma estafeta: um sistema transcrevia quem ligava, um segundo decidia o que dizer e um terceiro lia a resposta em voz alta. Cada passagem de testemunho acrescentava atraso e eliminava o tom, e é por isso que esses bots falavam por cima das pessoas, não davam pelas interrupções e deixavam silêncios longos e mecânicos. Um modelo nativo elimina a estafeta e mantém o ritmo da fala dentro de um único sistema.

O Live Avatar acrescenta a esse circuito uma camada de vídeo em streaming. O que o distingue das técnicas de sobreposição de vídeo, em que um rosto é animado depois de o áudio já existir, é o facto de o áudio e o vídeo serem gerados no mesmo percurso de inferência em direto, e não em passos sequenciais. É esse acoplamento que mantém a latência suficientemente baixa para um diálogo natural, e é por isso que os lábios acertam nas sílabas em vez de ficarem para trás. O modelo também lê as imagens da câmara em direto e as partilhas de ecrã enquanto fala, e consegue realçar elementos no ecrã do cliente, pelo que quem liga pode mostrar um problema além de o descrever e o agente pode apontar de volta para a resposta.

O produto não surgiu do nada. A Google apresentou uma primeira antevisão do Live Avatar na Google Cloud Next 2026, e a linha Live remonta a 2024, quando o Gemini Live chegou aos telemóveis como modo de voz e a Multimodal Live API abriu aos programadores juntamente com o Gemini 2.0, em dezembro desse ano. Cada versão levou a mesma ideia um pouco mais longe: menos trocas de vez que se sentem como tal, menos pausas que denunciam a máquina. A publicação dirigida ao consumidor que apresentou o avatar saiu a 24 de setembro, assinada por Shuo-yiin Chang, da área de investigação científica, e CJ Zheng, da área de engenharia de software, em nome do Gemini Audio Team. A disponibilidade geral para empresas seguiu-se um dia depois, no blogue da Google Cloud, o que deixa perceber que público a Google espera que pague por ela.

Numa implementação de apoio ao cliente, o rosto importa menos do que aquilo que acontece por trás dele. O Gemini 3.8 Live executa chamadas a ferramentas e a API de forma assíncrona: confirma o pedido, mantém a conversa e, em segundo plano, vai buscar uma encomenda, verifica uma apólice ou consulta o inventário. A Google garante que o modelo recupera de interrupções sem perder o contexto nem a transação de back-end em curso, que é precisamente a falha que mais vezes devolve um cliente frustrado ao início de um menu telefónico. A diferença é fácil de subestimar. Um bot que fica calado seis segundos enquanto uma base de dados responde parece avariado; um que diz que está a verificar e continua a falar parece um funcionário ao balcão.

O exemplo de montra da Google é uma participação de sinistro. O cliente aponta a câmara do telemóvel aos danos e vai descrevendo o que aconteceu, o agente preenche o registo do sinistro à medida que a pessoa fala, e uma equipa de agentes em segundo plano, construída com o Agent Development Kit da Google, verifica a apólice e reúne o processo de que o perito vai precisar. O código dessa equipa de agentes está ligado a partir do material de lançamento como exemplo de código aberto, sinal de que a Google quer que os programadores copiem a arquitetura tanto quanto o rosto. O outro exemplo da empresa é mais banal: um hóspede a fazer o check-in num hotel. Ambos descrevem o mesmo desenho. O avatar é a face visível de um fluxo de trabalho, não uma cabeça falante que lê um guião.

A gestão das línguas é o segundo pilar. A deteção é automática, e a Google afirma que o avatar consegue circular entre as suas 97 línguas dentro da mesma sessão sem degradar a qualidade do vídeo nem introduzir desvios visuais, com o movimento dos lábios a adaptar-se à nova língua em vez de manter as formas de boca da anterior. A mudança acontece sem transferência, sem recarregar o sistema e sem uma pausa percetível. Em mercados onde os clientes alternam entre duas ou três línguas na mesma chamada, que é o dia a dia das linhas de apoio na Índia, na Nigéria ou nas Filipinas, essa é a diferença entre um sistema utilizável e outro que obriga as pessoas a escolher a língua num menu antes de poderem explicar por que razão ligaram.

A Equal AI, uma empresa que está a desenvolver um assistente pessoal de IA na Índia, dá a imagem mais clara da escala, embora os seus números digam respeito ao modelo de voz e não ao avatar. A empresa afirma que já gere mais de um milhão de chamadas em direto por dia em nove línguas indianas, e o seu presidente executivo, Akhilesh Damaraju, atribui ao Gemini 3.8 Live uma melhor gestão das interrupções, conversas multilingues mais fiáveis e chamadas a ferramentas mais estáveis. Esse volume seria economicamente impraticável com operadores humanos com a mesma disponibilidade e a mesma cobertura de horários. O pressuposto de conceção de uma implementação deste tipo não é a prova de conceito. É o débito, e a esse volume cada segundo cortado a uma vez de falar acaba por pesar no total.

Os outros nomes do lançamento apontam para extremos diferentes do mercado. A Cox Automotive criou para o Autotrader um avatar conversacional que permite aos compradores descrever por palavras suas o carro que procuram, realça no ecrã as opções correspondentes e recorre a ferramentas de pesquisa, comparação e financiamento; Marianne Johnson, diretora de produto da Cox Automotive, apresenta-o como um substituto dos filtros e dos menus. A Salesforce diz que a sua equipa de AI Research está a trabalhar com a Google para combinar o Gemini 3.8 Live com o Agentforce, a sua plataforma de agentes para apoio ao cliente, e Bob Van Osten, vice-presidente de produto do Agentforce, enquadra a colaboração como uma procura de novas formas de conduzir um caso de apoio desde o primeiro contacto até à resolução. A Specs, que desenvolve o seu próprio assistente de IA, destaca através do engenheiro de software Eric Walsh a deteção de atividade de voz atualizada e a menor latência que mediu nos testes.

Cada segundo de áudio e vídeo gerado leva uma marca de água SynthID. O sistema, apresentado pela Google DeepMind em 2023 para imagens e mais tarde alargado a texto, áudio e vídeo, incorpora um sinal que as pessoas não conseguem ver nem ouvir, mas que o software consegue detetar. A Google concebe-o para resistir a transformações comuns, como a compressão e a recodificação, pelo que um excerto exportado de uma chamada de apoio e publicado noutro lado continua a poder ser verificado quanto à origem. É o compromisso de segurança mais concreto do lançamento e aplica-se a todos os avatares, predefinidos ou personalizados. A segunda salvaguarda é processual: os avatares personalizados estão protegidos por uma lista de autorização empresarial e por um processo de verificação separado, que é a resposta da Google à preocupação óbvia de que uma única fotografia e uma amostra de voz cheguem para clonar uma pessoa real.

A marca de água chega também num momento conveniente para o lado europeu do negócio. O Live Avatar é lançado com endpoints nos Estados Unidos e na União Europeia, e o Regulamento da IA da UE inclui regras de transparência, aplicáveis a partir de agosto de 2026, que obrigam a informar as pessoas quando estão a lidar com um sistema de IA e a marcar o áudio e o vídeo sintéticos num formato legível por máquina. O SynthID cobre a segunda obrigação. A primeira cabe a quem implementa o avatar, porque uma marca de água que ninguém vê não serve para avisar quem liga de que o rosto simpático no ecrã é gerado. A Google pode fornecer a marcação; a divulgação tem de partir do banco, da seguradora ou da cadeia hoteleira que coloca esse rosto diante dos seus clientes.

O que o lançamento não revela é o preço. Nenhum dos dois anúncios indica um valor para a camada do avatar; a publicação da Cloud remete para a página geral de preços de IA generativa da Google e para o débito aprovisionado, e tanto a capacidade aprovisionada como os avatares personalizados passam por um representante comercial. As organizações podem escolher a partir de uma biblioteca selecionada de rostos predefinidos, ou criar o seu a partir de uma única fotografia de referência, uma amostra de áudio e um conjunto de instruções de sistema, mas essa via personalizada tem acesso condicionado e não funciona em regime de autosserviço. O Extended Thinking para o modelo Live continua em pré-visualização privada, o que por agora limita a sua profundidade de raciocínio face a outros modelos Gemini da Google. Não foram publicados valores de latência nem limites de sessões simultâneas. Este perfil restrito é coerente com a forma como a Google escalona os lançamentos empresariais, com preços e capacidade negociados em vez de publicados.

O avatar chega ainda a uma categoria que já existe. Empresas como a Synthesia, a HeyGen e a D-ID construíram negócios com apresentadores gerados, sobretudo para formação, marketing e vídeo localizado que é renderizado antecipadamente e não em direto. A proposta da Google difere num aspeto: o rosto está ligado ao mesmo modelo que ouve, raciocina e chama as ferramentas, dentro da consola onde as empresas já constroem os seus agentes. Integra uma família mais vasta de modelos de áudio que inclui o Gemini 3.5 Transcribe, o Gemini 3.5 Live Translate e duas variantes de texto para voz, o Gemini 3.8 Flash TTS e o Gemini 3.8 Flash-Lite TTS. Para uma empresa que já tem agentes Gemini em funcionamento, acrescentar um rosto passa a ser uma opção de configuração e não um contrato com outro fornecedor, e essa integração é a ameaça competitiva a que os especialistas terão de responder.

Há questões em aberto que o material de lançamento não aborda. Um rosto cria expectativas que uma voz não cria: quem liga lê expressões, e um avatar que sorri enquanto recusa uma participação de sinistro pode cair pior do que uma voz neutra que dá a mesma resposta. A largura de banda também pesa, já que um agente de vídeo em streaming exige mais da ligação do cliente do que uma linha telefónica, e muitos dos mercados onde o apoio multilingue é mais valioso são também aqueles onde os dados móveis são mais caros. Nada disto é mensurável a partir de uma publicação de lançamento. Vai notar-se, ou não, nos indicadores de satisfação e de pedidos concluídos das primeiras grandes implementações.

O Gemini 3.8 Live com Live Avatar já está disponível na consola do Gemini Enterprise e através da Gemini Live API, com o Agent Development Kit como via para os programadores criarem agentes em streaming. O Extended Thinking não tem calendário publicado para lá do atual grupo de pré-visualização privada. As empresas que o adotarem vão responder a uma pergunta a que a tecnologia não responde: se retirar o sinal visual que identifica uma interação automatizada melhora a experiência de quem está do outro lado, ou se elimina o último indício honesto de que essa interação está a acontecer.

Etiquetas: Google, artificial intelligence, Gemini, customer service, enterprise AI, lip sync