Por que olhar além do Gemini 3.8 Live Avatar
Primeiro, vamos ser justos com o Google, porque o produto merece. O Gemini 3.8 Live Avatar observa sua câmera e sua tela enquanto ouve, dispara chamadas de ferramentas assíncronas em segundo plano para, por exemplo, fazer seu check-in em um hotel no meio da conversa, e detecta e alterna entre idiomas sem que o rosto saia do ritmo. É uma das demos de agente ao vivo mais completas que um laboratório já lançou.
O problema é acesso e dependência. Ele chegou à disponibilidade geral dentro do Gemini Enterprise, então é um compromisso com o Google Cloud, não uma chave de API de fim de semana. Avatares personalizados criados a partir das suas próprias gravações de referência ficam atrás de uma lista de permissões mais uma etapa de verificação, então você não consegue simplesmente criar um rosto de marca no primeiro dia. E, depois de construir em cima dele, seu agente ao vivo mora inteiramente dentro do ecossistema do Google.
Há também um custo que vale conhecer antes de comparar. Na Live API, o medidor de vídeo do avatar sai a cerca de $0.37 por minuto de fala do avatar (cobrado apenas enquanto ele fala, não enquanto espera). Não é um absurdo, mas é dinheiro de verdade em volume de suporte, e isso muda a comparação: você não está escolhendo um brinde gratuito, está escolhendo um produto cobrado por minuto. Isso faz as alternativas merecerem um olhar atento.
Como pensar sobre as alternativas
As sete ferramentas aqui não são realmente uma única categoria. Elas se dividem em três, e saber em qual faixa você está evita muitos testes inúteis. Para um panorama mais amplo além dos avatares, nosso guia das melhores ferramentas de IA para atendimento ao cliente cobre também as opções centradas em texto.
- Avatares em vídeo (um rosto falante): HeyGen, Tavus, D-ID, Soul Machines e Synthesia. Renderizam um humano animado que sincroniza os lábios com as respostas. É o que mais se aproxima do que o Gemini 3.8 Live Avatar faz.
- Só voz (sem rosto): a OpenAI Realtime API e a ElevenLabs. A mesma conversa em tempo real, sem rosto renderizado. Mais barato, mais simples e, muitas vezes, tudo de que um caso de suporte ou vendas realmente precisa. Se você está avaliando todo o cenário, nosso guia sobre os benefícios da IA conversacional é uma boa introdução.
- Modelo ao vivo de um grande laboratório: o próprio Gemini 3.8 Live Avatar, ao lado de coisas como a OpenAI Realtime API, em que o modelo e o pipeline de mídia vêm de um único laboratório de fronteira.
Eis a parte que a maioria dos comparativos pula. Toda ferramenta nas três faixas compete na mesma camada superior: o rosto, a voz, a alternância de turnos, a latência. Nada disso toca a camada de baixo, onde uma conversa de suporte realmente tem sucesso ou fracassa.
Volto a explicar por que essa camada de decisão é a parte difícil. Primeiro, as ferramentas.
As alternativas num relance
| Ferramenta | Melhor para | Rosto ou voz | Latência em tempo real (alegação do fornecedor) | Unidade de cobrança | Preço de entrada | Limite de destaque |
|---|---|---|---|---|---|---|
| HeyGen LiveAvatar | Avatares em vídeo de marca em escala | Avatar em vídeo | <300ms até o primeiro quadro | Créditos por minuto de streaming | Free ($0, 10 créditos); Essential $99 | $0.01/min só no Enterprise |
| Tavus | Desenvolvedores que incorporam agentes de vídeo ao vivo | Avatar em vídeo | ~134ms de renderização, ida e volta abaixo de 1s | Minuto de vídeo conversacional | Free (25 min); Starter $59 | Reclamações sobre alternância de turnos; virada para devs |
| D-ID | Avatares em streaming sem código com RAG | Avatar em vídeo | Menos de 2 segundos | Pool mensal compartilhado de minutos | Teste de 14 dias; API Build $14.40 | Pool sem acúmulo; reclamações de cobrança |
| Soul Machines | Humanos digitais emocionalmente expressivos | Avatar em vídeo | Não divulgada | Minutos de conversa interativa | Free (só construir); Basic $12.99 | Escala de forma íngreme; poucas avaliações |
| Synthesia | Vídeo corporativo em escala | Avatar em vídeo (em geral assíncrono) | N/A (o núcleo é pré-renderizado) | Créditos, mais por minuto no live | Free ($0); Starter $19 | O produto principal não é em tempo real |
| OpenAI Realtime API | Construir seu próprio agente de voz | Só voz | Baixa (voz para voz) | Tokens de áudio | $32 / 1M de tokens de áudio de entrada | Sem rosto; peças soltas, não um agente pronto |
| ElevenLabs | Agentes de voz com som humano | Só voz | Abaixo de um segundo (alegada) | Minutos de chamada | Free (15 min); Starter $6 | Custo se acumula; créditos expiram ao fazer downgrade |
Agora o detalhe de cada uma.
1. HeyGen LiveAvatar
Melhor para: equipes que querem um avatar de busto polido e de marca transmitido a usuários reais, com o mínimo de infraestrutura.
A HeyGen rebatizou seu produto em tempo real como LiveAvatar, e ele é o avatar em vídeo mais pronto para uso aqui. Transmite avatares em 1080p com, segundo a HeyGen, menos de 300ms até o primeiro quadro e concorrência ilimitada, e dá para incorporar em cerca de cinco minutos. Há dois modos de construção: FULL, em que a HeyGen opera toda a stack de voz e renderização, e LITE, em que você traz seu próprio LLM e síntese de voz.
Preços. O LiveAvatar cobra em créditos, e a proporção depende do modo: FULL são 2 créditos por minuto, LITE é 1 crédito por minuto. Os planos são Free ($0, 10 créditos, com marca d'água, sessões de 2 minutos), Essential ($99 por 1,100 créditos), Business ($475 por 6,000 créditos) e Enterprise. O destaque "$0.01/min em escala" é real, mas só vale no nível Enterprise, que a central de ajuda situa em orçamentos acima de cerca de $40,000. Note que isso é separado dos planos de vídeo principais da HeyGen.
O limite honesto. O número <300ms é uma alegação sobre a nova plataforma, e ele existe em parte porque o antigo SDK Streaming Avatar da HeyGen tinha fama, em fóruns de desenvolvedores, de latência real na casa de vários segundos. Se baixa latência é decisiva, teste com o seu próprio tráfego antes de se comprometer.
Veredicto: a forma mais fácil de colocar um avatar de marca bonito diante dos usuários. Só leia a conta dos créditos, já que o modo FULL gasta duas vezes mais rápido do que a tarifa LITE de destaque sugere.
2. Tavus
Melhor para: engenheiros que querem incorporar um agente de vídeo em tempo real e se importam com realismo de renderização e latência.
A Tavus constrói a Conversational Video Interface, um pipeline de vídeo em tempo real completo que você controla por API. Sua stack de modelos é incomumente específica: Raven para percepção, Sparrow para alternância de turnos e o renderizador Phoenix, que segundo a Tavus atinge cerca de 134ms de renderização com uma ida e volta conversacional abaixo de um segundo. Uma API substitui os cinco ou seis fornecedores que você teria de conectar, já que LLM, síntese de voz e WebRTC estão incluídos no preço por minuto.
O realismo conquista quem testa:
"Felt like talking to a person, I couldn't bring myself to treat it like a piece of code, that's how real it felt."
Preços. A Tavus usa um modelo híbrido: uma mensalidade mais minutos de vídeo conversacional incluídos, com excedente pago conforme o uso. O Basic é grátis (25 min/mês), o Starter custa $59/mês (100 min, depois $0.37/min) e o Growth custa $397/mês (1,250 min, depois $0.32/min). O treinamento de rostos personalizados é um adicional, a $65 cada depois de alguns treinamentos grátis no Starter.
O limite honesto. A crítica constante, da mesma demo, é a alternância de turnos:
"The AI kept cutting me off, and not leaving time in the conversation to respond. It would cut off utterances before the end."
O Sparrow foi criado exatamente para resolver isso, então deve estar melhor agora, mas o tratamento de interrupções é o que você deve testar a fundo. A Tavus também virou para desenvolvedores em 2026, então mira engenheiros, não profissionais de marketing.
Veredicto: a melhor escolha se você é desenvolvedor, quer o rosto em tempo real mais realista e vai fazer o trabalho de integração. Teste as interrupções antes de lançar.
3. D-ID
Melhor para: equipes que querem um avatar em streaming com base de conhecimento integrada e um caminho sem código, não só uma API.
Os D-ID Agents são avatares conversacionais transmitidos por WebRTC que você pode construir com o SDK de cliente, a API REST ou uma incorporação sem backend. Cada agente combina um avatar com um LLM (inclusive o seu próprio), uma base de conhecimento RAG e memória de conversa, e a D-ID anuncia "mais de 90% de precisão em menos de dois segundos". Quem gosta, gosta mesmo da qualidade do avatar:
"For me at the moment the best live interactive Avatars on the market. Good lip Sync, really realistic."
Preços. A D-ID tem duas tabelas de preços, Studio e API, ambas cobrando créditos contra um pool mensal compartilhado de minutos que cobre vídeos, agentes e tradução juntos. No lado da API, o Build custa $14.40/mês (até 32 minutos de streaming), o Launch $35/mês (até 90) e o Scale $138.60/mês (até 400). Há um teste de 14 dias, mas nenhum plano gratuito permanente, e volume sério de agentes ao vivo é uma conversa Enterprise de "minutos personalizados".
O limite honesto. Duas coisas. O pool de minutos não acumula, então os minutos não usados zeram a cada ciclo. E a opinião é polarizada: a D-ID tem 3.7/5 no Trustpilot com uma longa cauda de reclamações de cobrança (renovação automática, reembolsos recusados), mesmo pontuando cerca de 4.3/5 no G2. Leia com atenção os termos de cobrança.
Veredicto: uma opção intermediária sólida se você quer RAG e um caminho sem código já embutidos. Atenção ao pool compartilhado de minutos sem acúmulo e à renovação automática.
4. Soul Machines
Melhor para: marcas que querem o humano digital mais expressivo emocionalmente e animado de forma autônoma e têm orçamento.
A Soul Machines vende "Digital People", avatares movidos pelo seu Digital Brain patenteado, que simula sistemas sensoriais, motores e de atenção para que o rosto reaja e expresse emoções em tempo real, em vez de apenas sincronizar os lábios. É agnóstica quanto ao LLM, você constrói no Soul Machines Studio, e entre as implantações conhecidas estão ANZ, Mercedes-Benz e UCSF. Se expressividade é o objetivo, esta é a líder da categoria.
Preços. Algo incomum para um fornecedor de humanos digitais, o Studio tem uma tabela de preços pública com um plano Free só para construir, depois o Basic a $12.99/mês (40 minutos interativos), o Plus a $99/mês (350 minutos) e o Pro a $2,700/mês (10,000 minutos). O produto Workforce Connect custa uma tarifa fixa de $40,000/ano e exige uma assinatura separada do Zapier.
O limite honesto. O preço escala de forma muito íngreme, um salto de cerca de 27 vezes do Plus para o Pro, então quem precisa de volume real de implantação cai rápido na faixa de vários milhares de dólares por mês. A cobertura de avaliações independentes também é escassa (o G2 mostra só algumas avaliações), então você compra mais pelas demos e pelos logos conhecidos do que por um conjunto amplo de feedback de usuários.
Veredicto: escolha quando a presença emocional realista for de fato o produto, como um quiosque de marca ou uma experiência de destaque. É exagero, e caro, para suporte de rotina.
5. Synthesia
Melhor para: vídeo corporativo em escala (treinamento, onboarding, comunicação), não conversa ao vivo.
Esta vem com uma ressalva, e ela é o ponto principal. O produto central da Synthesia é vídeo assíncrono pré-renderizado: você escreve um roteiro e ele renderiza um MP4. Isso é o oposto de um avatar ao vivo. Tem 4.7/5 no G2 com cerca de 2,000 avaliações, e é excelente no que faz, que é vídeo de avatar polido em muitos idiomas.
Ela tem, sim, um produto em tempo real, o Interactive Avatars, mas é uma API de desenvolvedor separada (construída sobre o LiveKit, traga seu próprio LLM), não um dos planos de vídeo padrão.
Preços. Os planos principais são Free ($0), Starter ($19/mês), Creator ($89/mês) e Enterprise, todos medidos por um pool de créditos compartilhado que se converte em minutos de vídeo. Free e Starter têm teto de cerca de 10 minutos de vídeo por mês. O produto em tempo real Interactive Avatars é cobrado por minuto separadamente, com 500 minutos grátis para começar.
O limite honesto. Se você veio atrás de um avatar conversacional ao vivo, o carro-chefe da Synthesia tem o formato errado, e sua camada em tempo real é mais nova e menos testada que a da HeyGen ou da Tavus. A reclamação mais comum, além dos tetos baixos de minutos, é o excesso de moderação de conteúdo sobre o que você pode gerar.
Veredicto: a melhor ferramenta desta lista para vídeo corporativo roteirizado, e uma opção razoável em tempo real só se você quiser especificamente a API Interactive Avatars. Não confunda as duas.
6. OpenAI Realtime API
Melhor para: desenvolvedores que constroem um agente de voz sob medida, querem um modelo de fronteira e não precisam de rosto.
A OpenAI Realtime API é o par de grande laboratório mais próximo da capacidade ao vivo do Gemini, sem o avatar. É infraestrutura de voz para voz (áudio entra, áudio sai) com chamadas de ferramentas assíncronas nativas, MCP remoto e telefonia SIP, tudo sobre WebRTC ou WebSocket. O agente você constrói: instruções, ferramentas, salvaguardas. Os desenvolvedores têm gostado do modelo GA pelo custo e pela qualidade, mas ficam de olho no medidor:
"I'm curious now to see how the costs associated with this would work through the API on some user-facing features."
Preços. Cobra por tokens de áudio, não por minutos: o gpt-realtime-2.1 custa $32 por 1M de tokens de áudio de entrada ($0.40 em cache) e $64 por 1M de tokens de áudio de saída, com um mini mais barato a $10/$20. Na prática, isso dá cerca de $0.02 por minuto ouvido e aproximadamente $0.077 por minuto falado. A OpenAI também oferece um modelo GPT-Live por minuto a $0.05/min se você preferir medição fixa.
O limite honesto. São peças soltas, não um agente pronto. Não há base de conhecimento integrada, nem simulação de tickets, nem salvaguardas específicas de suporte, e apps de navegador precisam de um proxy de tokens efêmeros para não expor sua chave. Um desenvolvedor também relatou que o modelo derivou para outro idioma no meio da sessão em conversas mais longas. Você está comprando um ótimo bloco de construção e construindo o resto.
Veredicto: a escolha certa se você tem engenheiros e quer um modelo de voz de primeira linha sem rosto. Se quer um agente de suporte funcionando em vez de um kit de ferramentas, é muita montagem.
7. ElevenLabs Conversational AI
Melhor para: agentes de voz com som humano, especialmente por telefone, sem construir a stack de fala do zero.
A ElevenLabs é voice-first e conhecida pela fala mais natural da categoria. Sua Agents Platform reúne reconhecimento de fala, o LLM de sua escolha, sua síntese de voz de baixa latência e um modelo próprio de alternância de turnos, com construtor sem código, SDKs, telefonia Twilio/SIP, base de conhecimento e chamadas de ferramentas em mais de 70 idiomas. Está em cerca de 4.6/5 no G2 com aproximadamente 584 avaliações.
Preços. Os agentes são cobrados por minutos de chamada: Free (15 min), Starter $6 (75 min), Creator $22 (275 min), Pro $99 (1,238 min), Scale $299 (3,738 min) e Business $990 (12,375 min). O excedente é $0.08/min e o preço em rajada é $0.16/min. O ponto crucial: o uso do LLM é cobrado separadamente, por cima, e a telefonia é repassada a custo.
O limite honesto. O custo efetivo se acumula: minutos de chamada mais uma cobrança separada do LLM mais telefonia, então os $0.08 de destaque subestimam o número real. Créditos pagos não usados também expiram quando você faz downgrade, uma reclamação recorrente, e alguns usuários relatam picos de latência perto de quatro segundos contra a promessa de menos de um segundo.
Veredicto: a opção só de voz mais forte para agentes voltados ao cliente, especialmente para suporte por telefone. Calcule o custo total por minuto, não só a tarifa de tabela.
Como um avatar ao vivo realmente funciona
Tire a marca e toda ferramenta acima executa o mesmo ciclo para um turno de conversa. Vale ver, porque mostra onde o trabalho real acontece.
Repare que quatro das cinco etapas (captura, transcrição, síntese de fala, renderização) tratam de apresentação. Exatamente uma, o LLM escrevendo a resposta, decide se o cliente recebe uma resposta correta. O avatar embeleza as outras quatro. Não faz nada pela que importa, que também é o motivo pelo qual um chatbot de IA responde errado mesmo quando soa perfeitamente fluente.
O que um avatar não resolve
Aqui eu gasto a confiança do leitor, porque é a coisa mais útil deste post. Depois de anos colocando IA em filas de suporte ao vivo, o padrão que continuo vendo é que as equipes se apaixonam pelo front end e investem pouco na camada que realmente resolve o ticket. Vimos bots que soam confiantes dar respostas erradas com toda a confiança, e é por isso que toda implantação da eesel é simulada com os próprios tickets históricos do cliente antes de responder a uma pessoa de verdade.
Os dados confirmam. No ranking de suporte do τ-bench, até modelos fortes mostram um brutal precipício de recuperação: o desempenho pode cair cerca de 68 pontos ao passar de um cenário fácil de telecom para um de banco com muito conhecimento, e os melhores modelos de suporte só acertam de forma confiável cerca de 35% das vezes quando você exige quatro respostas corretas seguidas. Essa lacuna não é um problema de renderização. Nenhuma sincronização labial a fecha.
Então, se você procura um avatar ao vivo porque quer automatizar o atendimento ao cliente, a pergunta honesta não é "qual rosto parece mais humano", e sim "qual sistema acerta a resposta e sabe quando escalar". As métricas que importam são taxa de resolução e precisão de escalonamento, não realismo. Para muitas equipes, a resposta nem é um rosto falante, e sim um agente de IA bem fundamentado trabalhando nos canais que os clientes já usam: chat, e-mail e tickets.
Onde a eesel se encaixa (e onde não)
Vou ser direto, porque todo o objetivo deste post é a honestidade: a eesel não faz voz nem avatares. Se você precisa de um rosto renderizado ou de uma voz de telefone, escolha uma das sete acima. O que a eesel faz é a camada de decisão, em canais de texto.
Pense assim. A OpenAI Realtime API, a ElevenLabs e o próprio Gemini são infraestrutura; a eesel é o colega de equipe de IA que você contrata para fazer um trabalho. Nosso agente de helpdesk com IA se conecta ao helpdesk que você já usa (Zendesk, Freshdesk, Gorgias, Front e mais), aprende com seus tickets anteriores e sua central de ajuda desde o primeiro dia, e redige ou envia respostas automaticamente quando você confia na precisão dele. Em vez de "ligue e torça", ele executa primeiro uma simulação sobre seus tickets históricos para que você veja a taxa de resolução antes de um cliente chegar a ele.
E, como esta lista está cheia de APIs e SDKs, algo que vale saber: a eesel também pode ser operada pela CLI da eesel. É o mesmo colega de equipe do painel, exposto para o terminal, para scripts e para agentes de código como Claude Code, Cursor e Codex. Todo comando devolve JSON com um campo hint dizendo a um agente o que executar em seguida, então você pode conectar um helpdesk, enviar conhecimento e configurar automações sem nunca abrir a interface. Todo workspace também é um servidor MCP. É a forma amigável a agentes de operar o mesmo colega de suporte, se é assim que sua equipe gosta de trabalhar.
Se o trabalho é um rosto realista, esta lista cobre você. Se o trabalho é resolver tickets corretamente, foi para isso que a eesel foi construída, e você pode testar de graça.