پرش به محتوای اصلی
اخبار هوش مصنوعی

آواتار زنده Gemini 3.8 چیست؟ گفت‌وگوی تصویری در Enterprise

قابلیت Live Avatar صدا و تصویر متحرک را در مکالمه با جمینای ترکیب می‌کند؛ فعلاً در Gemini Enterprise و با محدودیت آواتار سفارشی.

۷ دقیقه مطالعه
اشتراک‌گذاری:
تصویری مفهومی از گفت‌وگو با آواتار زنده هوش مصنوعی Gemini
تصویری مفهومی از گفت‌وگو با آواتار زنده هوش مصنوعی Gemini
فهرست مطالب

آواتار زنده (Live Avatar) قابلیتی است که گوگل در ۲۴ سپتامبر ۲۰۲۶ برای Gemini 3.8 Live معرفی کرد تا عامل هوش مصنوعی هنگام مکالمه فقط صدا نداشته باشد؛ یک چهرهٔ متحرک هم داشته باشد که لب‌ها، حالت چهره و نوبت‌گیری را نزدیک به زمان واقعی هماهنگ کند. طبق اعلام رسمی، محصول با نام Gemini 3.8 Live with Live Avatar فعلاً در Gemini Enterprise در دسترس است — نه لزوماً در اپ عمومی جمینای برای همه.

اگر هفتهٔ قبل فقط دربارهٔ گفت‌وگوی صوتی Live خوانده‌اید، این مطلب لایهٔ تصویری همان مسیر را باز می‌کند. جزئیات پایهٔ Live را در مطلب جمینای ۳.۸ لایو چیست؟ مرور کنید؛ و اگر Flash و Flash Cyber را با Live قاطی کرده‌اید، راهنمای جمینای ۳.۸ فلش و فلش سایبر را جدا ببینید.

زمینه کوتاه: جمینای، Live و آواتار زنده یعنی چه؟

جمینای (Gemini) خانوادهٔ مدل‌های هوش مصنوعی گوگل است؛ داخل اپ جمینای، بعضی تجربه‌های جستجو و سرویس‌های سازمانی دیده می‌شود. وقتی می‌گوییم Gemini 3.8، دربارهٔ نسل اعلام‌شدهٔ همین خانواده در پاییز ۲۰۲۶ حرف می‌زنیم.

در چت متنی می‌نویسید و جواب می‌گیرید. در گفت‌وگوی زنده (Live) ارتباط بیشتر شبیه تماس است: حرف می‌زنید، مدل هم‌زمان گوش می‌دهد، می‌توانید وسط حرف قطعش کنید، و گاهی آنچه می‌بیند را هم وارد گفت‌وگو می‌کند. گوگل یک هفته قبل از Live Avatar، خود Gemini 3.8 Live را برای همین مکالمهٔ نزدیک به زمان واقعی معرفی کرده بود.

آواتار اینجا یعنی شخصیت بصری روی صفحه — چهره‌ای که حرف می‌زند. آواتار زنده یعنی همان شخصیت با ویدئوی کم‌تأخیر به‌روز می‌شود: لب‌ها با گفتار هماهنگ‌اند (لیپ‌سینک)، حالت چهره طبیعی‌تر به‌نظر می‌رسد، و نوبت حرف زدن روان‌تر جابه‌جا می‌شود. هدف اعلام‌شده نزدیک‌تر کردن حس تعامل به مکالمهٔ حضوری است؛ نه فقط یک ویجت صوتی.

خبر ۲۴ سپتامبر ۲۰۲۶ چه بود؟

گوگل اعلام کرد روی شتاب راه‌اندازی هفتهٔ قبل (Gemini 3.8 Live)، حالا حضور بصری نزدیک به زمان واقعی را به گفت‌وگوی زنده اضافه می‌کند: تولید ویدئوی کم‌تأخیر به‌همراه گفتار، طوری که عامل بشنود، ببیند و با یک پرسونای بصری پویا حرف بزند.

نمونهٔ کاربردهای نام‌برده‌شده: خدمات مشتری و راهنمایی تعاملی مرحله‌به‌مرحله. کیفیت تجربه در محصول واقعی به پیاده‌سازی هر سازمان هم بستگی دارد؛ اطلاعیه به‌تنهایی SLA یا امتیاز کیفیت مستقل نیست.

گفت‌وگوی چندوجهی: دیدن، شنیدن، حرف زدن با چهره

گوگل می‌گوید مکالمه ذاتاً چندوجهی است: گوش می‌دهیم، نگاه می‌کنیم، حرف می‌زنیم و از حالت چهره استفاده می‌کنیم. Live Avatar این لایه را برای عامل‌های سازمانی می‌آورد: ورودی تصویری و صوتی را هم‌زمان پردازش می‌کند و با صدا و تصویر بیانی پاسخ می‌دهد.

برای تیم محصول یعنی طراحی سناریو فقط «پاسخ صوتی کوتاه» نیست؛ باید مشخص کنید کاربر چه چیزی را نشان می‌دهد، آواتار چطور تأیید دیده‌شدن را نشان می‌دهد، و اگر ورودی مبهم بود چطور دوباره بپرسد.

کار در پس‌زمینه بدون قطع مکالمه

با فراخوانی ناهم‌زمان ابزار (asynchronous tool calling) آواتار می‌تواند در پس‌زمینه ابزار را صدا بزند و داده بگیرد، در حالی که گفت‌وگو قطع نمی‌شود. گوگل سناریوی پذیرش مهمان در هتل را نشان داده: عامل هم‌زمان با صحبت، کارهای مرتبط را جلو می‌برد.

این برای راهنمای تعاملی یا پاسخ‌گویی مشتری جذاب است؛ اما سرعت و دقت در هر ابزار واقعی (رزرو، CRM، پرداخت) به اتصال‌ها و قوانین کسب‌وکار شما بستگی دارد، نه فقط به دموی وبلاگ.

زبان‌ها، آواتار آماده و سفارشی‌سازی برند

طبق اعلام گوگل، Live Avatar همگام‌سازی گفتار-به-گفتار چندزبانه دارد و هنگام جابه‌جایی میان حدود ۹۷ زبان، لیپ‌سینک و حالت چهره را وفق می‌دهد؛ ادعا این است که کیفیت ویدئو افت محسوس یا رانش بصری پیدا نکند. عدد ۹۷ و کیفیت یکسان همهٔ زبان‌ها را ادعای شرکت بدانید و برای فارسی خودتان تست کنید.

  • کتابخانهٔ آواتارهای ازپیش‌آماده با ظاهر و صدای متفاوت

  • ساخت آواتار سفارشی از تصویر مرجع باکیفیت — فعلاً فقط از مسیر allowlisting سازمانی، نه برای همه به‌صورت پیش‌فرض

جدول مقایسه: Live، Live+Avatar و Flash

قاطی کردن این سه، بودجه و انتظار تیم را خراب می‌کند:

موضوع

Gemini 3.8 Live (صوتی)

Gemini 3.8 Live + Live Avatar

Gemini 3.8 Flash

نقش اصلی

گفت‌وگوی صوتی نزدیک به زمان واقعی

همان Live + چهرهٔ ویدئویی کم‌تأخیر

سرعت و مقیاس در متن/کدنویسی/عامل

ورودی/خروجی برجسته

صدا (+ درک بصری در Live)

صدا + ویدئوی پرسونا + لیپ‌سینک

عمدتاً متن و ابزار

مخاطب این اعلام

مسیرهای قبلی Live

تمرکز: Gemini Enterprise

API، Studio، Enterprise و مسیرهای Flash

شخصی‌سازی چهره

موضوع این محصول نیست

preset + سفارشی با allowlist

ندارد

شفافیت خروجی

SynthID صوتی در اعلام Live

SynthID روی صدا و ویدئو

موضوع جدا (متن/کد)

شفافیت و SynthID

گوگل می‌گوید خروجی Live Avatar با SynthID واترمارک می‌شود؛ این نشان نامحسوس داخل صدا و ویدئو بافته می‌شود تا محتوای تولیدشده با هوش مصنوعی قابل‌تشخیص بماند و ریسک اطلاعات نادرست یا انتساب غلط کمتر شود. برای جزئیات ایمنی به model card رسمی گوگل ارجاع داده است — اینجا ادعای غیرقابل‌جعل بودن مطلق نمی‌کنیم.

چه کسانی الان به آن دسترسی دارند؟

  • سازمان‌ها: Gemini 3.8 Live with Live Avatar در Gemini Enterprise در دسترس است.

  • توسعه‌دهندگان: مستندات API برای شروع بررسی.

این به‌معنای عرضهٔ عمومی در نسخهٔ معمولی اپ جمینای برای همه نیست. اگر فقط حساب مصرف‌کننده دارید، از این خبر دکمهٔ Avatar را انتظار نداشته باشید.

نکتهٔ عملی برای مخاطب فارسی‌زبان

  1. اول سناریوی صوتی Live را بشناسید؛ بعد لایهٔ Avatar را اضافه کنید.

  2. کیفیت فارسی، جابه‌جایی زبان و هماهنگی لب را روی سناریوی واقعی خودتان تست کنید.

  3. برای برند از preset شروع کنید؛ سفارشی را فقط اگر allowlist Enterprise دارید دنبال کنید.

  4. اگر محتوا عمومی منتشر می‌کنید، شفافیت «این صدای انسان واقعی نیست» را در سیاست محتوا بنویسید.

  5. وضعیت اشتراک Enterprise و دسترسی از ایران را از اینجا قطعی اعلام نمی‌کنیم.

جمع‌بندی

Live Avatar گامی است به‌سمت عامل‌هایی که هم‌زمان حرف می‌زنند، چهره دارند و در پس‌زمینه ابزار اجرا می‌کنند. خبر اصلی ۲۴ سپتامبر ۲۰۲۶ عرضهٔ آن برای Gemini Enterprise است، با لیپ‌سینک، چندزبانگی اعلام‌شده، آواتار آماده/سفارشیِ محدود و SynthID روی صدا و تصویر. کارایی در مقیاس واقعی را با پایلوت بسنجید؛ نه فقط با تیتر وبلاگ.

پرسش‌های پرتکرار

آواتار زنده Gemini 3.8 چیست؟

قابلیتی روی Gemini 3.8 Live که گفت‌وگوی زنده را با ویدئوی کم‌تأخیر یک پرسونای بصری ترکیب می‌کند تا عامل با چهره، لیپ‌سینک و حالت چهره پاسخ دهد.

آیا در اپ رایگان جمینای برای همه فعال است؟

طبق اعلام ۲۴ سپتامبر، تمرکز دسترسی روی Gemini Enterprise و مستندات API است؛ عرضهٔ عمومی اپ مصرف‌کننده در همان پست تضمین نشده است.

فرق Live Avatar با جمینای لایو معمولی چیست؟

Live روی مکالمهٔ زنده تمرکز دارد؛ Live Avatar لایهٔ حضور تصویری و هماهنگی لب/چهره را اضافه می‌کند.

آواتار سفارشی از روی عکس می‌توان ساخت؟

گوگل می‌گوید از تصویر مرجع باکیفیت می‌توان آواتار متحرک ساخت، اما فعلاً فقط از مسیر allowlisting سازمانی.

SynthID اینجا چه کار می‌کند؟

واترمارک نامحسوس گوگل روی خروجی صدا و ویدئو تا محتوای تولیدشده با هوش مصنوعی بهتر قابل‌شناسایی بماند.

چند زبان پشتیبانی می‌شود؟

گوگل از همگام‌سازی میان حدود ۹۷ زبان حرف زده است؛ کیفیت هر زبان را باید جداگانه سنجید.

برای خدمات مشتری مناسب است؟

گوگل خدمات مشتری و راهنمایی تعاملی را نمونه آورده؛ مناسب بودن برای شما به اتصال ابزارها، نظارت انسانی و تست زبان بستگی دارد.

Flash را با Avatar اشتباه نگیرم؟

Flash برای سرعت و عامل/کدنویسی است؛ Avatar برای تجربهٔ مکالمهٔ تصویری روی Live. مطلب فلش و فلش سایبر را جدا بخوانید.

منابع

کنار آواتار زندهٔ جمینای، مسیر تمرین مصاحبه با آواتار تعاملی Synthesia را هم دارید: Synthesia Sessions.

برچسب‌ها:هوش مصنوعیجمینایگوگلهوش مصنوعی مولد
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.