作者：默思編輯部 發布：2026-09-30
Google近期在企業級生成式AI平台Gemini Enterprise中，推出結合即時對話能力與影像生成技術的新功能：Gemini 3.8 Live搭配Live Avatar。這項功能的核心特色，是把原本各自獨立發展的「即時語音對話」與「近乎即時的影片生成」兩項技術整合在一起，讓使用者在與AI進行即時語音互動的同時，畫面中的虛擬人物形象也能同步呈現接近真人的臉部表情變化與嘴型對應，且這種視覺同步效果能在97種語言之間維持一致的呈現品質。
即時影像生成技術的門檻在哪裡
過去要讓AI生成的虛擬人物形象做到「即時」且「自然」，技術上一直面臨相當高的門檻：純語音對話系統的延遲已經很難壓到人類感覺不出來的程度，若還要同步生成對應的臉部影像與嘴型動作，運算負擔會進一步暴增，稍有延遲就會出現聲音與畫面對不上、表情僵硬不自然等問題，破壞整體互動的沉浸感。Gemini 3.8 Live Avatar能夠維持跨越近百種語言的一致嘴型同步效果，代表Google在即時多模態生成的運算效率與模型架構上，都做了相當程度的優化。
企業應用場景與潛在疑慮
對企業而言，這類即時虛擬化身技術最直接的應用場景，包括多語言客服互動、教育訓練的虛擬講師，以及跨國會議中的即時翻譯呈現——傳統的純文字或純語音翻譯往往缺乏人際互動中重要的非語言線索，而具備臉部表情與嘴型同步的虛擬化身，理論上能讓跨語言溝通更貼近面對面互動的自然感受。
不過，這類技術同時也帶來新的疑慮：當AI能夠即時生成高度擬真、跨語言都能自然同步的虛擬人物影像，如何確保這類技術不被用於偽造身分或製作誤導性內容，將是企業導入時必須同步建立的治理規範。目前這類即時虛擬化身功能主要鎖定在企業級平台的授權使用情境，而非開放給一般大眾自由生成任意人物的影像內容，某種程度上也反映出Google在推出這類高風險技術時，選擇了較為謹慎的分階段開放策略。
多模態即時互動成為下一波技術戰場
這項發表也呼應了整體AI產業近期的技術走向：在文字與語音生成能力逐漸成熟之後，「即時、多模態、跨語言」正在成為下一波技術競賽的焦點，各家模型供應商都在角逐誰能用最低的延遲、最自然的呈現效果，完成語音、影像、表情三者的即時同步整合。
對多模態AI技術與應用開發有興趣的讀者，歡迎參考Python課程，打好扎實的程式基礎。