Ce qu'est vraiment Gemini 3.8 Live Avatar
Google a d'abord présenté la technologie à Google Cloud Next 2026 et l'a lancée en disponibilité générale dans Gemini Enterprise le 24 septembre, la semaine après la sortie des modèles de base Gemini 3.8 Live et 3.8 Live Extended Thinking. Rédigé par le chercheur Shuo-yiin Chang et l'équipe Gemini Audio, l'argument est simple : la conversation est multimodale, donc un agent d'entreprise devrait pouvoir écouter, regarder, parler et montrer un visage, tout à la fois.
Concrètement, Live Avatar ajoute cinq choses à un agent conversationnel :
- Un visage vidéo parlant avec une synchronisation labiale et des expressions naturelles, généré quasi en temps réel.
- Un dialogue voix-à-voix fluide, pour que les interruptions se rattrapent naturellement sans perdre le contexte de la conversation ni une transaction backend en cours.
- L'appel d'outils en arrière-plan, où l'agent déclenche des appels d'API et récupère des données pendant qu'il continue de discuter, accuse réception de votre demande et poursuit la conversation pendant que la tâche se termine.
- La compréhension visuelle en direct, qui traite un flux de caméra ou un partage d'écran en même temps que l'audio.
- 97 langues avec détection automatique de la langue.
La démo que Google met en avant est un check-in d'hôtel : vous parlez à un avatar, il vous enregistre et, pendant ce temps, il lance les appels d'outils en arrière-plan pour finaliser réellement la réservation sans silence gênant. Cette astuce d'appels d'outils asynchrones pendant la parole est l'ingénierie la plus astucieuse ici, et elle compte plus que le visage.
Voici le pipeline en une image :
Un point à garder en tête : cela appartient à la même famille que les autres nouvelles sorties audio de Gemini 3.8 (les modèles de synthèse vocale sont sortis la même semaine), mais Live Avatar est une capacité distincte qui s'exécute sur la Gemini Live API. Le mode associé Gemini 3.8 Live Extended Thinking, qui permet à un agent de raisonner et de parler en même temps, est toujours en préversion privée.
Comment construire réellement avec
Live Avatar n'est pas un produit que l'on active pour sa boîte de support. C'est de l'infrastructure de modèle, et vous assemblez vous-même l'agent. La voie suggérée par Google est l'Agent Development Kit (ADK) : vous définissez des agents, gérez les runners et la mémoire de session, et diffusez l'audio en temps réel directement vers la Gemini Live API sans pipeline classique de reconnaissance vocale au milieu.
La démo de sinistres d'assurance de Google est un bon indicateur du niveau de compétence requis : vous parlez et montrez les dégâts à la caméra, un carnet de sinistre se remplit tout seul et, en arrière-plan, une « équipe d'agents » ADK vérifie la police, applique les règles d'enregistrement et constitue un dossier pour l'expert. C'est un vrai projet d'ingénierie, avec du code d'exemple open source pour démarrer, pas un interrupteur sans code. Si votre équipe livre du logiciel, c'est une brique enthousiasmante. Si votre équipe gère une file de support, cela signifie que l'avatar est les 20 % faciles et que la logique d'automatisation du service client derrière représente les 80 % restants.
Côté sécurité, chaque flux audio et vidéo porte un filigrane SynthID imperceptible pour que la sortie reste détectable comme générée par IA, et les avatars personnalisés sont verrouillés derrière ce processus de vérification. Google a clairement peur des deepfakes ici, et à juste titre.
Disponibilité et accès
Gemini 3.8 Live avec Live Avatar est disponible dès maintenant pour les clients entreprise, avec des points de terminaison aux États-Unis et dans l'UE, un débit provisionné, la conformité entreprise et une gouvernance des données stricte. Deux niveaux d'accès comptent :
- Avatars préconçus : une bibliothèque de personas sélectionnés que tout client Gemini Enterprise peut déployer sur le web, le mobile et les bornes interactives.
- Avatars personnalisés : générés à partir d'une seule image de référence de haute qualité (plus un échantillon audio), en préservant la ressemblance et le style de marque. C'est sur liste d'accès uniquement, soumis à un processus de vérification, et il faut parler à un commercial de Google Cloud pour l'activer.
Donc, si vous voulez un visage de marque qui ressemble à votre propre porte-parole ou à votre mascotte, prévoyez une discussion commerciale et un cycle d'approbation, pas une inscription en libre-service.
Ce que ça coûte
C'est là que la « démo sympa » rencontre la facture. Live Avatar est facturé au token via la Gemini Live API, et les modalités sont mesurées séparément :
| Compteur (Gemini 3.8 Live API, non global) | Prix par million de tokens |
|---|---|
| Entrée : texte | 0,75 $ |
| Entrée : vidéo / image | 1,00 $ |
| Entrée : audio | 3,00 $ |
| Sortie : texte (réponse et raisonnement) | 4,50 $ |
| Sortie : audio | 12,00 $ |
| Sortie : vidéo (le visage de l'avatar) | 1,00 $ |
Le chiffre qui compte pour l'avatar est enfoui dans une note de bas de page : la sortie vidéo de l'avatar est facturée à 6 192 tokens par seconde de vidéo, et vous n'êtes facturé que lorsque l'avatar parle activement, pas lorsqu'il écoute. Faites le calcul et le visage coûte environ 0,37 $ pour chaque minute où l'avatar parle (6 192 tokens x 60 secondes x 1,00 $ / 1 M). Cela s'ajoute à l'audio que vous générez à 12,00 $ par million de tokens de sortie, au raisonnement à 4,50 $ par million, et à toute vidéo de caméra ou d'écran que vous envoyez.
Pour fixer les idées : une conversation de cinq minutes où l'avatar parle environ la moitié du temps brûle à peu près 928 800 tokens de vidéo d'avatar, soit un peu moins d'un dollar rien que pour afficher le visage, avant de compter un seul mot de raisonnement, d'audio ou de vision. Rien de tout cela n'est scandaleux pour une expérience d'entreprise premium. Mais cela rappelle que le visage est un vrai poste de dépense récurrent, et qu'il achète de la présentation, pas de l'exactitude.
Où il brille, et qui l'utilise
Je veux être juste, car la technologie est impressionnante et les premiers utilisateurs ne sont pas des amateurs.
Cox Automotive a construit pour Autotrader un assistant d'achat conversationnel qui utilise la mise en surbrillance d'écran en direct et l'appel d'outils pour guider les acheteurs de voitures dans la recherche, la comparaison et le financement en temps réel.
"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, qui traite plus d'un million d'appels en direct par jour dans neuf langues indiennes, a attribué au modèle 3.8 Live sous-jacent une meilleure gestion des interruptions et une plus grande fiabilité des appels d'outils. Salesforce associe 3.8 Live à Agentforce, et la startup d'IA vocale Specs a spécifiquement souligné l'amélioration de la détection d'activité vocale et la latence réduite. Ce sont les éléments qui font que l'IA conversationnelle ressemble moins à un talkie-walkie et plus à une conversation.
Les développeurs sont enthousiastes aussi. Un des premiers testeurs a résumé l'ambiance après une prise en main :
"Gemini 3.8 Live Avatar is here !! Watch me having a deep convo with my virtual avatar."
Si votre cas d'usage est une borne, une visite guidée, une appli d'apprentissage des langues ou toute expérience où la présence visible et la prise de parole sont l'essentiel, c'est une option réellement solide. Le passage multilingue en particulier est difficile à construire, et Google l'a fait paraître facile.
Le piège : un meilleur visage ne corrige pas une mauvaise réponse
Voici le recadrage auquel je reviens sans cesse. L'automatisation du support a deux problèmes, et ils ne sont pas de la même taille.
Le problème de présentation (l'agent paraît-il humain, retient-il l'attention, fonctionne-t-il en plusieurs langues) est en grande partie résolu par Live Avatar. Le problème d'exactitude (l'agent donne-t-il la bonne réponse et sait-il quand il ne la connaît pas) ne l'est pas, et aucune synchronisation labiale ne le fait bouger.
On peut en fait mesurer l'ampleur de ce second problème. Sur τ-bench, le benchmark d'agents de support, on peut garder un seul modèle constant et voir son score de réussite s'effondrer dès que la réponse se trouve dans des documents plutôt que dans un appel d'outil propre. Claude Opus 4.5, par exemple, obtient environ 92 sur les tâches de télécoms et 84 sur l'aérien, puis chute à environ 25 sur un domaine de base de connaissances où la réponse doit être retrouvée dans des documents. C'est une chute de ~68 points, pour le même modèle, uniquement parce que la récupération est devenue plus difficile.
Autrement dit : sur le domaine bancaire de τ-knowledge, même le modèle le plus fort du marché n'a systématiquement raison (4 essais sur 4) que sur environ un tiers des tâches. Cet écart est tout l'enjeu du support, et il est invisible dans une démo léchée. Un avatar photoréaliste et sûr de lui qui donne une mauvaise réponse est plus dangereux qu'une simple zone de texte, pas moins, parce que tout en lui dit « fais-moi confiance ».
C'est l'objection que tout acheteur sérieux de support a déjà. Comme nous l'a dit un responsable CX lors d'un appel commercial :
"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 ne répond pas à cette inquiétude. Le routage fondé sur la confiance, l'ancrage dans les connaissances et le fait de savoir quand escalader, si. C'est la raison pour laquelle choisir le bon modèle n'est que la première étape, et le travail le plus dur est tout ce qui l'entoure.
Ce que cela signifie pour une équipe de support client
Si vous dirigez une équipe de support ou de CX et que vous vous demandez s'il faut vous y lancer, voici mon avis honnête.
Vous ne devriez presque certainement pas construire un agent à avatar personnalisé depuis l'ADK pour répondre à vos tickets. L'effort d'ingénierie est réel, la liste d'accès ajoute un cycle de vente et, au bout, vous avez résolu le problème facile (la présentation) et hérité du difficile (exactitude, ancrage, escalade) sans outils pour le gérer. Pour un canal téléphonique ou vocal en particulier, cela vaut la peine de vous renseigner sur le support téléphonique par IA avant de vous engager, car l'économie comme le plafond d'exactitude y pèsent.
Pour la grande majorité des équipes, la victoire n'est pas un visage. C'est un agent IA qui résout discrètement les tickets dont il est sûr, escalade proprement le reste et devient plus précis à mesure qu'il voit votre historique. C'est d'abord un travail de texte et d'e-mail, et il n'a pas besoin d'une tête parlante pour bien le faire.
Essayez eesel
Si l'objectif est de résoudre correctement davantage de tickets de service client, c'est vers là que je vous orienterais. Gemini Live Avatar est une infrastructure avec laquelle on construit. eesel est le coéquipier fini que l'on embauche : un agent IA de helpdesk qui se branche directement sur Zendesk, Freshdesk, Gorgias, Front, Help Scout, HubSpot, Salesforce et Jira Service Management, apprend de vos tickets passés et de vos connaissances, et peut être opérationnel en une trentaine de minutes.
La partie qui s'attaque réellement à la falaise de la récupération : avant qu'eesel ne réponde à un seul client, sa simulation rejoue vos vrais tickets historiques et note les réponses proposées par l'IA par rapport à ce que votre équipe a réellement envoyé, ce qui vous permet de voir les lacunes et d'ajuster les instructions avec un contrôle fondé sur la confiance sur les tickets exacts qu'elle traite. Et parce que c'est un prix mensuel fixe, à partir de 299 $/mois pour 500 crédits (1 crédit par ticket ou chat) sans frais par utilisateur, vous payez pour des réponses correctes, pas pour un visage rendu. (Une note honnête : eesel est un coéquipier de texte et de tickets, pas un produit vocal ou d'avatar. Si une tête parlante est l'exigence, Gemini Live Avatar est l'outil. Si une réponse correcte est l'exigence, c'est nous.)