O que o Gemini 3.8 Live Avatar realmente é
O Google apresentou a tecnologia pela primeira vez no Google Cloud Next 2026 e a lançou com disponibilidade geral no Gemini Enterprise em 24 de setembro, na semana seguinte ao lançamento dos modelos base Gemini 3.8 Live e 3.8 Live Extended Thinking. Escrito pelo pesquisador Shuo-yiin Chang e pela equipe de Gemini Audio, a proposta é simples: a conversa é multimodal, então um agente corporativo deveria poder ouvir, olhar, falar e mostrar um rosto, tudo ao mesmo tempo.
Na prática, o Live Avatar acrescenta cinco coisas a um agente conversacional:
- Um rosto de vídeo falante com sincronia labial e expressões naturais, gerado quase em tempo real.
- Diálogo fluido de fala para fala, de modo que as interrupções se recuperam naturalmente sem perder o contexto da conversa nem uma transação de backend em andamento.
- Chamada de ferramentas em segundo plano, em que o agente dispara chamadas de API e busca dados enquanto continua conversando, reconhecendo seu pedido e seguindo a conversa enquanto a tarefa termina.
- Compreensão visual ao vivo, processando uma câmera ou compartilhamento de tela junto com o áudio ao mesmo tempo.
- 97 idiomas com detecção automática de idioma.
A demonstração com que o Google abre é um check-in de hotel: você conversa com um avatar, ele faz seu check-in e, enquanto isso, dispara as chamadas de ferramentas em segundo plano para concluir a reserva sem um silêncio constrangedor. Esse truque de chamadas assíncronas de ferramentas enquanto fala é a engenharia mais inteligente aqui, e é mais importante que o rosto.
Aqui está o pipeline em uma imagem:
Um ponto a manter claro: isto é da mesma família dos outros novos lançamentos de áudio do Gemini 3.8 (os modelos de texto para fala saíram na mesma semana), mas o Live Avatar é uma capacidade distinta que roda na Gemini Live API. O modo relacionado Gemini 3.8 Live Extended Thinking, que permite a um agente raciocinar e falar ao mesmo tempo, ainda está em prévia privada.
Como você realmente constrói com ele
O Live Avatar não é um produto que você liga para a sua caixa de suporte. É infraestrutura de modelo, e você monta o agente por conta própria. O caminho sugerido pelo Google é o Agent Development Kit (ADK): você define agentes, gerencia runners e memória de sessão e envia áudio em tempo real diretamente para a Gemini Live API, sem um pipeline tradicional de fala para texto no meio.
A demo de sinistros de seguro do próprio Google mostra bem o nível de habilidade envolvido: você fala e mostra o dano pela câmera, um caderno de sinistro se preenche sozinho e, em segundo plano, uma "equipe de agentes" do ADK verifica a apólice, aplica regras de admissão e monta um pacote para o perito. Isso é um projeto de engenharia de verdade, com código de exemplo de código aberto para começar, não um botão sem código. Se a sua equipe entrega software, é um bloco de construção empolgante. Se a sua equipe cuida de uma fila de suporte, significa que o avatar é a parte fácil de 20% e a lógica de automação do atendimento ao cliente por trás são os outros 80%.
Do lado da segurança, todo fluxo de áudio e vídeo carrega uma marca d'água imperceptível do SynthID para que a saída continue detectável como gerada por IA, e os avatares personalizados ficam atrás desse processo de verificação. O Google está claramente receoso com deepfakes aqui, e com razão.
Disponibilidade e acesso
O Gemini 3.8 Live com Live Avatar está disponível agora para clientes corporativos, com endpoints nos EUA e na UE, throughput provisionado, conformidade corporativa e governança de dados rigorosa. Dois níveis de acesso importam:
- Avatares prontos: uma biblioteca de personas selecionadas que qualquer cliente do Gemini Enterprise pode implantar na web, no celular e em quiosques interativos.
- Avatares personalizados: gerados a partir de uma única imagem de referência de alta qualidade (mais uma amostra de áudio), preservando semelhança e estilo da marca. Isso é somente por lista de acesso, condicionado a um processo de verificação, e é preciso falar com um representante de vendas do Google Cloud para ativar.
Portanto, se você quer um rosto de marca parecido com o seu porta-voz ou mascote, reserve uma conversa comercial e um ciclo de aprovação, não um cadastro self-service.
Quanto custa
É aqui que a "demo legal" encontra a fatura. O Live Avatar é cobrado por token pela Gemini Live API, e as modalidades são medidas separadamente:
| Medidor (Gemini 3.8 Live API, não global) | Preço por 1 milhão de tokens |
|---|---|
| Entrada: texto | US$ 0,75 |
| Entrada: vídeo / imagem | US$ 1,00 |
| Entrada: áudio | US$ 3,00 |
| Saída: texto (resposta e raciocínio) | US$ 4,50 |
| Saída: áudio | US$ 12,00 |
| Saída: vídeo (o rosto do avatar) | US$ 1,00 |
O número que importa para o avatar está escondido numa nota de rodapé: a saída de vídeo do avatar é cobrada a 6.192 tokens por segundo de vídeo, e você só é cobrado enquanto o avatar está falando ativamente, não enquanto ele escuta. Faça a conta e o rosto custa cerca de US$ 0,37 por cada minuto em que o avatar está falando (6.192 tokens x 60 segundos x US$ 1,00 / 1 mi). Isso se soma ao áudio que você gera a US$ 12,00 por 1 mi de tokens de saída, ao raciocínio a US$ 4,50 por 1 mi e a qualquer vídeo de câmera ou tela que você envie.
Para dar uma noção: uma conversa de cinco minutos em que o avatar fala por cerca de metade do tempo queima aproximadamente 928.800 tokens de vídeo do avatar, ou seja, um pouco menos de um dólar só para renderizar o rosto, antes de contar uma única palavra de raciocínio, áudio ou visão. Nada disso é absurdo para uma experiência corporativa premium. Mas é um lembrete de que o rosto é uma linha de custo real e recorrente, e ele compra apresentação, não correção.
Onde ele brilha e quem o usa
Quero ser justo, porque a tecnologia é impressionante e os primeiros adotantes não são brinquedos.
A Cox Automotive construiu um assistente de compras conversacional para a Autotrader que usa destaque de tela ao vivo e chamada de ferramentas para guiar compradores de carros por busca, comparação e financiamento em tempo 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."
A Equal AI, que atende mais de um milhão de chamadas ao vivo por dia em nove idiomas indianos, creditou ao modelo 3.8 Live subjacente um melhor tratamento de interrupções e mais confiabilidade nas chamadas de ferramentas. A Salesforce está combinando o 3.8 Live com o Agentforce, e a startup de IA de voz Specs apontou especificamente a detecção de atividade de voz melhorada e a menor latência. Essas são as partes que fazem a IA conversacional parecer menos um walkie-talkie e mais uma conversa.
Os desenvolvedores também estão animados. Um dos primeiros testadores resumiu o clima depois de experimentar:
"Gemini 3.8 Live Avatar is here !! Watch me having a deep convo with my virtual avatar."
Se o seu caso de uso é um quiosque, um tour guiado, um app de aprendizado de idiomas ou qualquer experiência em que presença visível e troca de turnos são o ponto, esta é uma opção legitimamente forte. A troca multilíngue em particular é difícil de construir e o Google fez parecer fácil.
A pegadinha: um rosto melhor não conserta uma resposta errada
Este é o reenquadramento ao qual sempre volto. A automação de suporte tem dois problemas, e eles não têm o mesmo tamanho.
O problema de apresentação (o agente parece humano, prende a atenção, funciona em vários idiomas) é em grande parte resolvido pelo Live Avatar. O problema de precisão (o agente dá a resposta correta e sabe quando não sabe) não é, e nenhuma sincronia labial o move.
Na verdade, dá para medir o tamanho desse segundo problema. No τ-bench, o benchmark de agentes de suporte, você pode manter um único modelo constante e ver sua pontuação de sucesso nas tarefas desabar assim que a resposta está em documentos em vez de numa chamada de ferramenta limpa. O Claude Opus 4.5, por exemplo, marca cerca de 92 em tarefas de telecom e 84 em companhias aéreas, e depois cai para aproximadamente 25 num domínio de base de conhecimento em que a resposta precisa ser recuperada de documentos. É uma queda de ~68 pontos, do mesmo modelo, apenas porque a recuperação ficou mais difícil.
Dito de outra forma: no domínio bancário do τ-knowledge, mesmo o modelo mais forte do mercado acerta de forma confiável (4 tentativas em 4) em apenas cerca de um terço das tarefas. Essa lacuna é o jogo inteiro no suporte, e é invisível numa demo polida. Um avatar fotorrealista e confiante que entrega uma resposta errada é mais perigoso do que uma caixa de texto simples, não menos, porque tudo nele diz "confie em mim".
Essa é a objeção que todo comprador sério de suporte já tem. Como um líder de CX nos disse numa ligação de vendas:
"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
Um avatar não responde a essa preocupação. Roteamento baseado em confiança, embasamento no conhecimento e saber quando escalar respondem. Essa é toda a razão pela qual escolher o modelo certo é só o primeiro passo, e o trabalho mais difícil é tudo o que o envolve.
O que isso significa para uma equipe de suporte ao cliente
Se você lidera uma equipe de suporte ou CX e está se perguntando se deve ir atrás disso, esta é minha leitura honesta.
Você quase certamente não deveria construir um agente com avatar personalizado a partir do ADK para responder seus tickets. O esforço de engenharia é real, a lista de acesso adiciona um ciclo de vendas e, no fim, você resolveu o problema fácil (apresentação) e herdou o difícil (precisão, embasamento, escalonamento) sem ferramentas para gerenciá-lo. Para um canal de telefone ou voz especificamente, vale ler sobre suporte telefônico com IA antes de se comprometer, porque tanto a economia quanto o teto de precisão pesam ali.
Para a grande maioria das equipes, a vitória não é um rosto. É um agente de IA que resolve em silêncio os tickets de que tem confiança, escala o restante com limpeza e fica mais preciso quanto mais do seu histórico ele vê. Isso é primeiro um trabalho de texto e e-mail, e não precisa de uma cabeça falante para ser bem feito.
Experimente a eesel
Se o objetivo é resolver corretamente mais tickets de atendimento ao cliente, é para cá que eu apontaria. O Gemini Live Avatar é infraestrutura com a qual você constrói. A eesel é o colega pronto que você contrata: um agente de IA de helpdesk que se conecta diretamente ao Zendesk, Freshdesk, Gorgias, Front, Help Scout, HubSpot, Salesforce e Jira Service Management, aprende com seus tickets passados e seu conhecimento e pode entrar no ar em cerca de 30 minutos.
A parte que realmente trata o precipício da recuperação: antes de a eesel responder a um único cliente, a simulação reproduz seus tickets históricos reais e pontua as respostas propostas pela IA em relação ao que sua equipe realmente enviou, para que você veja as lacunas e ajuste as instruções com controle baseado em confiança sobre exatamente quais tickets ela trata. E como é um preço mensal fixo, a partir de US$ 299/mês por 500 créditos (1 crédito por ticket ou chat) sem taxas por usuário, você paga por respostas corretas, não por um rosto renderizado. (Uma observação honesta: a eesel é um colega de texto e tickets, não um produto de voz ou avatar. Se uma cabeça falante é o requisito, o Gemini Live Avatar é a ferramenta. Se uma resposta correta é o requisito, somos nós.)