Qué es realmente Gemini 3.8 Live Avatar
Google presentó la tecnología por primera vez en Google Cloud Next 2026 y la lanzó con disponibilidad general en Gemini Enterprise el 24 de septiembre, la semana después de que salieran los modelos base Gemini 3.8 Live y 3.8 Live Extended Thinking. Escrito por el investigador Shuo-yiin Chang y el equipo de Gemini Audio, el planteamiento es simple: la conversación es multimodal, así que un agente empresarial debería poder escuchar, mirar, hablar y mostrar un rostro, todo a la vez.
En concreto, Live Avatar añade cinco cosas a un agente conversacional:
- Un rostro de vídeo parlante con sincronía labial y expresiones naturales, generado casi en tiempo real.
- Diálogo fluido de voz a voz, de modo que las interrupciones se recuperan con naturalidad sin perder el contexto de la conversación ni una transacción de backend en curso.
- Llamadas a herramientas en segundo plano, donde el agente lanza llamadas a API y obtiene datos mientras sigue charlando, reconociendo tu petición y continuando la conversación mientras termina la tarea.
- Comprensión visual en vivo, que procesa una señal de cámara o pantalla compartida junto con el audio al mismo tiempo.
- 97 idiomas con detección automática del idioma.
La demo con la que Google abre es un check-in de hotel: hablas con un avatar, te registra y, mientras lo hace, lanza las llamadas a herramientas en segundo plano para completar realmente la reserva sin un silencio incómodo. Ese truco de llamadas asíncronas a herramientas mientras habla es la ingeniería más ingeniosa aquí, y es más importante que el rostro.
Aquí está el flujo en una imagen:
Una cosa que conviene tener clara: esto pertenece a la misma familia que los otros nuevos lanzamientos de audio de Gemini 3.8 (los modelos de texto a voz salieron la misma semana), pero Live Avatar es una capacidad distinta que funciona sobre la Gemini Live API. El modo relacionado Gemini 3.8 Live Extended Thinking, que permite a un agente razonar y hablar a la vez, sigue en vista previa privada.
Cómo se construye realmente con él
Live Avatar no es un producto que actives para tu bandeja de soporte. Es infraestructura de modelos, y el agente lo montas tú. El camino que sugiere Google es el Agent Development Kit (ADK): defines agentes, gestionas runners y memoria de sesión, y envías audio en tiempo real directamente a la Gemini Live API sin una canalización tradicional de voz a texto en medio.
La demo de reclamaciones de seguros de Google es un buen indicador del nivel de habilidad necesario: hablas y muestras los daños con la cámara, un cuaderno de reclamación se rellena solo y, en segundo plano, un "equipo de agentes" de ADK revisa la póliza, aplica reglas de admisión y construye un paquete para el perito. Eso es un proyecto de ingeniería real, con código de ejemplo de código abierto para empezar, no un interruptor sin código. Si tu equipo entrega software, es una pieza emocionante. Si tu equipo gestiona una cola de soporte, significa que el avatar es el 20% fácil y la lógica de automatización del servicio al cliente detrás es el otro 80%.
En cuanto a seguridad, cada flujo de audio y vídeo lleva una marca de agua imperceptible de SynthID para que la salida siga siendo detectable como generada por IA, y los avatares personalizados están bloqueados tras ese proceso de verificación. Google claramente teme a los deepfakes aquí, y con razón.
Disponibilidad y acceso
Gemini 3.8 Live con Live Avatar está disponible ahora para clientes empresariales, con endpoints en EE. UU. y la UE, rendimiento aprovisionado, cumplimiento normativo empresarial y una gobernanza de datos estricta. Importan dos niveles de acceso:
- Avatares prediseñados: una biblioteca de personajes curados que cualquier cliente de Gemini Enterprise puede desplegar en web, móvil y quioscos interactivos.
- Avatares personalizados: generados a partir de una sola imagen de referencia de alta calidad (más una muestra de audio), preservando el parecido y el estilo de marca. Esto es solo por lista de acceso, sujeto a un proceso de verificación, y tienes que hablar con un representante de ventas de Google Cloud para activarlo.
Así que, si quieres un rostro de marca que se parezca a tu propio portavoz o mascota, prevé una conversación comercial y un ciclo de aprobación, no un registro de autoservicio.
Cuánto cuesta
Aquí es donde la "demo genial" se encuentra con la factura. Live Avatar se factura por token a través de la Gemini Live API, y las modalidades se miden por separado:
| Contador (Gemini 3.8 Live API, no global) | Precio por 1 M de tokens |
|---|---|
| Entrada: texto | 0,75 $ |
| Entrada: vídeo / imagen | 1,00 $ |
| Entrada: audio | 3,00 $ |
| Salida: texto (respuesta y razonamiento) | 4,50 $ |
| Salida: audio | 12,00 $ |
| Salida: vídeo (el rostro del avatar) | 1,00 $ |
La cifra que importa para el avatar está enterrada en una nota al pie: la salida de vídeo del avatar se cobra a 6.192 tokens por segundo de vídeo, y solo se factura mientras el avatar habla activamente, no mientras escucha. Haz las cuentas y el rostro cuesta unos 0,37 $ por cada minuto que el avatar habla (6.192 tokens x 60 segundos x 1,00 $ / 1 M). Eso se suma al audio que generas a 12,00 $ por 1 M de tokens de salida, al razonamiento a 4,50 $ por 1 M y a cualquier vídeo de cámara o pantalla que envíes.
Para aterrizarlo: una conversación de cinco minutos en la que el avatar habla durante aproximadamente la mitad consume unos 928.800 tokens de vídeo de avatar, es decir, algo menos de un dólar solo por renderizar el rostro, antes de contar una sola palabra de razonamiento, audio o visión. Nada de eso es desorbitado para una experiencia empresarial premium. Pero es un recordatorio de que el rostro es una partida real y recurrente, y compra presentación, no corrección.
Dónde brilla y quién lo usa
Quiero ser justo, porque la tecnología es impresionante y los primeros usuarios no son juguetes.
Cox Automotive construyó para Autotrader un asistente de compras conversacional que usa resaltado de pantalla en vivo y llamadas a herramientas para guiar a los compradores de coches por la búsqueda, la comparación y la financiación en tiempo real.
"Shoppers increasingly expect to describe what they need in their own words rather than work through filters and menus. Autotrader's new conversational AI Avatar brings that experience to vehicle discovery by matching natural conversation to the right inventory."
Equal AI, que gestiona más de un millón de llamadas en vivo al día en nueve idiomas indios, atribuyó al modelo 3.8 Live subyacente un mejor manejo de interrupciones y una mayor fiabilidad en las llamadas a herramientas. Salesforce combina 3.8 Live con Agentforce, y la startup de voz con IA Specs señaló específicamente la mejora en la detección de actividad de voz y la menor latencia. Esas son las partes que hacen que la IA conversacional se parezca menos a un walkie-talkie y más a una conversación.
Los desarrolladores también están entusiasmados. Un probador temprano resumió el ambiente tras una prueba práctica:
"Gemini 3.8 Live Avatar is here !! Watch me having a deep convo with my virtual avatar."
Si tu caso de uso es un quiosco, una guía paso a paso, una app para aprender idiomas o cualquier experiencia en la que la presencia visible y los turnos de palabra sean lo esencial, es una opción legítimamente sólida. El cambio multilingüe en particular es difícil de construir y Google lo hizo parecer fácil.
La trampa: un rostro mejor no arregla una respuesta equivocada
Este es el replanteamiento al que vuelvo una y otra vez. La automatización del soporte tiene dos problemas, y no son del mismo tamaño.
El problema de presentación (¿parece humano el agente, mantiene la atención, funciona en varios idiomas?) queda en gran medida resuelto por Live Avatar. El problema de precisión (¿da el agente la respuesta correcta y sabe cuándo no la sabe?) no, y ninguna sincronía labial lo mueve.
De hecho, podemos medir lo grande que es ese segundo problema. En τ-bench, el benchmark de agentes de soporte, puedes mantener un único modelo constante y ver cómo se desploma su puntuación de éxito en las tareas en cuanto la respuesta vive en documentos y no en una llamada limpia a una herramienta. Claude Opus 4.5, por ejemplo, obtiene alrededor de 92 en tareas de telecomunicaciones y 84 en aerolíneas, y luego cae a aproximadamente 25 en un dominio de base de conocimiento donde la respuesta debe recuperarse de documentos. Es una caída de ~68 puntos, con el mismo modelo, solo porque la recuperación se volvió más difícil.
Dicho de otro modo: en el dominio bancario de τ-knowledge, incluso el modelo más fuerte del sector acierta de forma fiable (4 intentos de 4) en solo un tercio de las tareas aproximadamente. Esa brecha lo es todo en soporte, y es invisible en una demo pulida. Un avatar fotorrealista y seguro de sí mismo que da una respuesta equivocada es más peligroso que un simple cuadro de texto, no menos, porque todo en él dice "confía en mí".
Esta es la objeción que ya tiene todo comprador de soporte serio. Como nos dijo un responsable de CX en una llamada de ventas:
"The AI will never be able to answer 100% of the questions. I need an AI who is only handling the tickets that it's confident to handle, and all the other ones, leave them alone."
a DTC supplements CX lead
Un avatar no responde a esa preocupación. Lo hacen el enrutamiento basado en confianza, la base de conocimiento y saber cuándo escalar. Esa es justo la razón por la que elegir el modelo adecuado es solo el primer paso, y el trabajo más duro es todo lo que lo envuelve.
Qué significa esto para un equipo de soporte al cliente
Si diriges un equipo de soporte o CX y te preguntas si perseguir esto, esta es mi lectura honesta.
Casi con seguridad no deberías construir un agente con avatar personalizado desde el ADK para responder tus tickets. El esfuerzo de ingeniería es real, la lista de acceso añade un ciclo de ventas y, al final, has resuelto el problema fácil (presentación) y heredado el difícil (precisión, base de conocimiento, escalado) sin herramientas para gestionarlo. Para un canal de teléfono o voz en concreto, vale la pena informarse sobre el soporte telefónico con IA antes de comprometerse, porque tanto la economía como el techo de precisión pesan ahí.
Para la gran mayoría de los equipos, la victoria no es un rostro. Es un agente de IA que resuelve en silencio los tickets de los que está seguro, escala el resto con limpieza y se vuelve más preciso cuanto más de tu historial ve. Eso es primero un trabajo de texto y correo electrónico, y no necesita una cabeza parlante para hacerse bien.
Prueba eesel
Si el objetivo es resolver correctamente más tickets de servicio al cliente, aquí es adonde te dirigiría. Gemini Live Avatar es infraestructura con la que construyes. eesel es el compañero terminado que contratas: un agente de IA para helpdesk que se conecta directamente a Zendesk, Freshdesk, Gorgias, Front, Help Scout, HubSpot, Salesforce y Jira Service Management, aprende de tus tickets pasados y de tu conocimiento, y puede ponerse en marcha en unos 30 minutos.
La parte que realmente aborda el precipicio de la recuperación: antes de que eesel responda a un solo cliente, su simulación reproduce tus tickets históricos reales y puntúa las respuestas propuestas por la IA frente a lo que tu equipo envió de verdad, de modo que ves las lagunas y ajustas las instrucciones con control basado en confianza sobre exactamente qué tickets gestiona. Y como es un precio mensual fijo, desde 299 $/mes por 500 créditos (1 crédito por ticket o chat) sin tarifas por usuario, pagas por respuestas correctas, no por un rostro renderizado. (Una nota honesta: eesel es un compañero de texto y tickets, no un producto de voz ni de avatar. Si el requisito es una cabeza parlante, Gemini Live Avatar es la herramienta. Si el requisito es una respuesta correcta, somos nosotros.)