Gemini 3.8 Live Avatar dá rosto ao atendimento por IA em 97 idiomas

O Google colocou um rosto em vídeo, em tempo real e com sincronia labial, no seu modelo de voz para voz, e vendeu a novidade primeiro para centrais de atendimento e concessionárias. Cada quadro leva uma marca d’água SynthID; nenhum documento do lançamento informa quanto custa esse rosto.

Há duas décadas o atendimento ao cliente fala com as pessoas por meio de uma caixa vazia: um menu telefônico, um balão de chat, uma voz sintética sem nada por trás. Em 25 de setembro, o Google liberou em disponibilidade geral o Gemini 3.8 Live com Live Avatar no Gemini Enterprise, e o produto é uma tentativa direta de preencher essa caixa com um rosto. O avatar fala, mexe os lábios no ritmo das palavras, faz expressões e continua conversando enquanto busca informações em segundo plano. Funciona em 97 idiomas e troca de um para outro no meio da ligação quando o cliente troca. O Google mira sinistros de seguro, check-in em hotéis e compra de carros, e não palcos de demonstração, o que diz muito sobre onde a empresa acha que está o dinheiro da IA de voz.

Por baixo do rosto está o Gemini 3.8 Live, o modelo nativo de voz para voz que o Google anunciou na semana anterior, junto com uma variante Extended Thinking. Voz para voz significa que o modelo ouve áudio e responde em áudio sem antes transformar a conversa em texto e depois de volta. Os bots de voz mais antigos funcionavam como um revezamento: um sistema transcrevia quem ligava, um segundo decidia o que dizer e um terceiro lia a resposta em voz alta. Cada passagem de bastão somava atraso e apagava o tom, e é por isso que esses bots atropelavam as pessoas, não percebiam interrupções e deixavam silêncios longos e mecânicos. Um modelo nativo elimina o revezamento e mantém o ritmo da fala dentro de um único sistema.

O Live Avatar acrescenta a esse circuito uma camada de vídeo em streaming. O que o diferencia das técnicas de sobreposição de vídeo, em que um rosto é animado depois que o áudio já existe, é que áudio e vídeo são gerados no mesmo caminho de inferência ao vivo, e não em etapas sequenciais. Esse acoplamento é o que mantém a latência baixa o bastante para uma conversa natural, e é por isso que os lábios acertam as sílabas em vez de ficarem para trás. O modelo também lê a imagem da câmera ao vivo e o compartilhamento de tela enquanto fala, e pode destacar elementos na tela do cliente; assim, quem liga pode mostrar um problema além de descrevê-lo, e o agente pode apontar de volta para a resposta.

O produto não surgiu do nada. O Google mostrou uma primeira prévia do Live Avatar no Google Cloud Next 2026, e a linha Live remonta a 2024, quando o Gemini Live chegou aos celulares como modo de voz e a Multimodal Live API foi aberta aos desenvolvedores junto com o Gemini 2.0, em dezembro daquele ano. Cada versão levou a mesma ideia um pouco mais longe: menos turnos que parecem turnos, menos pausas que entregam a máquina. O post voltado ao consumidor que apresentou o avatar saiu em 24 de setembro, assinado por Shuo-yiin Chang, da área de pesquisa científica, e CJ Zheng, de engenharia de software, em nome do Gemini Audio Team. A disponibilidade geral para empresas veio um dia depois, no blog do Google Cloud, o que mostra qual público o Google espera que pague pela novidade.

Numa implantação de atendimento ao cliente, o rosto importa menos do que acontece por trás dele. O Gemini 3.8 Live executa chamadas de ferramentas e de API de forma assíncrona: confirma a solicitação, mantém a conversa andando e, em segundo plano, busca um pedido, consulta uma apólice ou verifica o estoque. O Google diz que o modelo se recupera de interrupções sem perder o contexto nem a transação de back-end em andamento, justamente a falha que mais manda um cliente irritado de volta ao começo de uma URA. A diferença é fácil de subestimar. Um bot que fica seis segundos em silêncio enquanto o banco de dados responde parece quebrado; um que avisa que está verificando e segue falando parece um atendente de balcão.

A vitrine do Google é um sinistro de seguro. O cliente aponta a câmera do celular para o estrago e vai explicando o que aconteceu, o agente preenche o registro do sinistro enquanto a pessoa fala, e um time de agentes em segundo plano, criado com o Agent Development Kit do Google, confere a apólice e monta o dossiê de que o regulador de sinistros vai precisar. O código desse time de agentes está linkado no material de lançamento como exemplo de código aberto, sinal de que o Google quer que os desenvolvedores copiem a arquitetura tanto quanto o rosto. O outro exemplo da empresa é mais corriqueiro: um hóspede que faz check-in num hotel. Os dois descrevem o mesmo desenho. O avatar é a ponta visível de um fluxo de trabalho, não uma cabeça falante que lê um roteiro.

O tratamento de idiomas é o segundo pilar. A detecção é automática, e o Google afirma que o avatar consegue transitar entre seus 97 idiomas na mesma sessão sem perder qualidade de vídeo nem introduzir desvio visual, com o movimento dos lábios que se adapta ao novo idioma em vez de manter o formato de boca do anterior. A troca acontece sem transferência, sem recarregar o sistema e sem uma pausa perceptível. Em mercados onde o cliente alterna entre dois ou três idiomas numa mesma ligação, que é a rotina das centrais de atendimento na Índia, na Nigéria ou nas Filipinas, isso separa um sistema utilizável de outro que obriga a pessoa a escolher o idioma num menu antes de conseguir explicar por que ligou.

A Equal AI, empresa que desenvolve um assistente pessoal de IA na Índia, dá a ideia mais clara de escala, embora seus números se refiram ao modelo de voz, e não ao avatar. A empresa diz que já atende mais de um milhão de ligações ao vivo por dia em nove idiomas indianos, e seu CEO, Akhilesh Damaraju, credita ao Gemini 3.8 Live um tratamento melhor das interrupções, conversas multilíngues mais confiáveis e chamadas de ferramentas mais estáveis. Esse volume seria economicamente inviável com atendentes humanos na mesma disponibilidade e com a mesma cobertura de escala. A premissa de projeto de uma implantação dessas não é a prova de conceito. É a vazão, e nesse volume cada segundo cortado de um turno de conversa pesa no total.

Os outros nomes do lançamento apontam para pontas diferentes do mercado. A Cox Automotive criou para o Autotrader um avatar conversacional que deixa o comprador descrever com as próprias palavras o carro que procura, destaca na tela os modelos compatíveis e aciona ferramentas de busca, comparação e financiamento; Marianne Johnson, diretora de produto da Cox Automotive, apresenta a ferramenta como substituta de filtros e menus. A Salesforce diz que sua equipe de AI Research trabalha com o Google para combinar o Gemini 3.8 Live com o Agentforce, sua plataforma de agentes para atendimento, e Bob Van Osten, vice-presidente de produto do Agentforce, descreve a parceria como uma busca por novas formas de levar um caso de atendimento do primeiro contato até a solução. A Specs, que desenvolve o próprio assistente de IA, destaca por meio do engenheiro de software Eric Walsh a detecção de atividade de voz atualizada e a latência menor que mediu nos testes.

Cada segundo de áudio e vídeo gerado carrega uma marca d’água SynthID. O sistema, lançado pelo Google DeepMind em 2023 para imagens e depois estendido a texto, áudio e vídeo, embute um sinal que as pessoas não conseguem ver nem ouvir, mas que um software consegue detectar. O Google o projeta para resistir a transformações comuns, como compressão e recodificação, de modo que um trecho exportado de uma ligação de suporte e publicado em outro lugar ainda possa ter a origem verificada. É o compromisso de segurança mais concreto do lançamento, e vale para todos os avatares, prontos ou personalizados. A segunda salvaguarda é de procedimento: os avatares personalizados ficam atrás de uma lista de permissões corporativa e de um processo de verificação à parte, que é a resposta do Google ao temor óbvio de que uma única foto e uma amostra de voz bastem para clonar uma pessoa real.

A marca d’água também chega num momento útil para o lado europeu do negócio. O Live Avatar é lançado com endpoints nos Estados Unidos e na União Europeia, e o AI Act da UE traz regras de transparência, aplicáveis a partir de agosto de 2026, que exigem informar as pessoas quando elas estão lidando com um sistema de IA e marcar áudio e vídeo sintéticos de forma legível por máquina. O SynthID cobre a segunda obrigação. A primeira cabe a quem implanta o avatar, porque uma marca d’água que ninguém vê não avisa a quem liga que o rosto simpático na tela é gerado. O Google pode fornecer a marcação; o aviso tem de vir do banco, da seguradora ou da rede de hotéis que coloca esse rosto diante dos clientes.

O que o lançamento não revela é o preço. Nenhum dos dois anúncios traz um valor para a camada de avatar; o post do Cloud remete à página geral de preços de IA generativa do Google e à capacidade de processamento provisionada, e tanto a capacidade provisionada quanto os avatares personalizados passam por um representante de vendas. As empresas podem escolher rostos de uma biblioteca selecionada de opções prontas ou criar o próprio a partir de uma única foto de referência, uma amostra de áudio e um conjunto de instruções de sistema, mas esse caminho personalizado tem acesso controlado e não funciona no autoatendimento. O Extended Thinking do modelo Live segue em prévia privada, o que por enquanto limita a profundidade de raciocínio dele em comparação com outros modelos Gemini do Google. Números de latência e limites de sessões simultâneas não foram divulgados. O perfil restrito combina com a forma como o Google escalona lançamentos corporativos, com preço e capacidade negociados em vez de publicados.

O avatar também chega a uma categoria que já existe. Empresas como Synthesia, HeyGen e D-ID montaram negócios com apresentadores gerados, sobretudo para treinamento, marketing e vídeo localizado renderizado com antecedência, e não ao vivo. A proposta do Google é diferente num ponto: o rosto está ligado ao mesmo modelo que ouve, raciocina e aciona as ferramentas, dentro do console onde as empresas já constroem seus agentes. Ele se junta a uma família maior de modelos de áudio que inclui o Gemini 3.5 Transcribe, o Gemini 3.5 Live Translate e duas variantes de texto para fala, o Gemini 3.8 Flash TTS e o Gemini 3.8 Flash-Lite TTS. Para uma empresa que já roda agentes do Gemini, adicionar um rosto vira uma opção de configuração, e não um contrato com outro fornecedor, e esse pacote é a ameaça competitiva que os especialistas vão ter de responder.

Há perguntas em aberto que o material de lançamento não responde. Um rosto cria expectativas que uma voz não cria: quem liga lê expressões, e um avatar que sorri enquanto recusa um sinistro pode soar pior do que uma voz neutra que dá a mesma resposta. A banda também conta, já que um agente de vídeo em streaming exige mais da conexão do cliente do que uma linha telefônica, e muitos dos mercados onde o atendimento multilíngue tem mais valor são também aqueles onde os dados móveis custam mais caro. Nada disso pode ser medido a partir de um post de lançamento. Vai aparecer, ou não, nos índices de satisfação e de atendimentos concluídos das primeiras grandes implantações.

O Gemini 3.8 Live com Live Avatar já está disponível no console do Gemini Enterprise e pela Gemini Live API, com o Agent Development Kit como caminho para desenvolvedores criarem agentes em streaming. O Extended Thinking não tem cronograma divulgado além do atual grupo de prévia privada. As empresas que adotarem a tecnologia vão responder a uma pergunta que ela própria não responde: se remover o sinal visual que marca uma interação automatizada melhora a experiência de quem está do outro lado, ou se apaga o último indício honesto de que essa interação está acontecendo.

Tags: Google, artificial intelligence, Gemini, customer service, enterprise AI, lip sync