Gemini 3.8 Live Avatar dà un volto al servizio clienti IA in 97 lingue

Google ha dato al suo modello speech-to-speech un volto video in tempo reale con il labiale sincronizzato, e lo ha venduto prima di tutto agli sportelli di assistenza e agli showroom. Ogni fotogramma porta una filigrana SynthID; nessun documento di lancio attribuisce un prezzo a quel volto.

Da vent’anni l’assistenza clienti parla alle persone attraverso una scatola vuota: un menu telefonico, una finestra di chat, una voce sintetica senza nulla dietro. Il 25 settembre Google ha reso Gemini 3.8 Live con Live Avatar disponibile per tutti in Gemini Enterprise, e il prodotto è un tentativo esplicito di riempire quella scatola con un volto. L’avatar parla, muove le labbra a tempo con le parole, mostra espressioni e continua a conversare mentre cerca informazioni in background. Funziona in 97 lingue e passa dall’una all’altra a metà chiamata quando lo fa il cliente. Google lo propone per le denunce di sinistro, il check-in in hotel e l’acquisto di un’auto più che per i palchi delle demo, e questo dice molto su dove l’azienda pensa che si trovino i soldi dell’IA vocale.

Sotto il volto c’è Gemini 3.8 Live, il modello nativo speech-to-speech che Google aveva annunciato la settimana precedente insieme a una variante Extended Thinking. Speech-to-speech significa che il modello ascolta l’audio e risponde in audio, senza trasformare prima la conversazione in testo e poi di nuovo in voce. I vecchi bot vocali erano costruiti come una staffetta: un sistema trascriveva chi chiamava, un secondo decideva cosa rispondere, un terzo leggeva la risposta ad alta voce. Ogni passaggio di testimone aggiungeva ritardo e cancellava il tono, ed è per questo che quei bot parlavano sopra le persone, non coglievano le interruzioni e lasciavano lunghi silenzi meccanici. Un modello nativo elimina la staffetta e mantiene il ritmo del parlato dentro un unico sistema.

Live Avatar aggiunge a questo circuito uno strato video in streaming. Ciò che lo distingue dalle tecniche di sovrapposizione video, in cui un volto viene animato quando l’audio esiste già, è che audio e video vengono generati nello stesso percorso di inferenza dal vivo anziché in fasi successive. È questo accoppiamento a mantenere la latenza abbastanza bassa da consentire uno scambio naturale, ed è sempre questo il motivo per cui le labbra cadono sulle sillabe invece di inseguirle. Mentre parla, il modello legge anche i flussi della videocamera in diretta e le condivisioni dello schermo, e può evidenziare elementi sullo schermo del cliente: chi chiama può così mostrare un problema oltre che descriverlo, e l’agente può indicargli a sua volta la risposta.

Il prodotto non è nato dal nulla. Google aveva presentato Live Avatar in anteprima al Google Cloud Next 2026, e la linea Live risale al 2024, quando Gemini Live arrivò come modalità vocale sugli smartphone e la Multimodal Live API si aprì agli sviluppatori insieme a Gemini 2.0, nel dicembre di quell’anno. Ogni versione ha spinto la stessa idea un po’ più in là: meno turni che sembrano turni, meno pause che tradiscono la macchina. Il post rivolto al grande pubblico che presentava l’avatar è uscito il 24 settembre, firmato a nome del Gemini Audio Team da Shuo-yiin Chang, sul versante della ricerca scientifica, e da CJ Zheng, su quello dell’ingegneria del software. La disponibilità generale per le aziende è arrivata il giorno dopo sul blog di Google Cloud, il che chiarisce quale pubblico Google si aspetta che paghi.

In un servizio di assistenza clienti, il volto conta meno di ciò che accade dietro. Gemini 3.8 Live esegue le chiamate a strumenti e API in modo asincrono: prende atto della richiesta, porta avanti la conversazione e intanto, in background, recupera un ordine, verifica una polizza o interroga il magazzino. Google afferma che il modello si riprende dalle interruzioni senza perdere il contesto né la transazione di backend in corso, cioè proprio il guasto che più spesso rimanda un cliente esasperato all’inizio dell’albero di un menu telefonico. La differenza è facile da sottovalutare. Un bot che resta in silenzio per sei secondi mentre un database risponde sembra rotto; uno che dice di stare controllando e continua a parlare sembra un impiegato allo sportello.

La vetrina scelta da Google è una denuncia di sinistro. Il cliente inquadra il danno con la fotocamera del telefono e lo racconta a voce, l’agente compila la pratica mentre l’altro parla, e una squadra di agenti in background, costruita con l’Agent Development Kit di Google, controlla la polizza e prepara il fascicolo che servirà al perito. Il codice di quella squadra di agenti è collegato al materiale di lancio come esempio open source, segno che Google vuole che gli sviluppatori copino l’architettura tanto quanto il volto. L’altro esempio dell’azienda è più ordinario: un ospite che fa il check-in in hotel. Entrambi descrivono lo stesso progetto. L’avatar è il front end di un flusso di lavoro, non una testa parlante che legge un copione.

La gestione delle lingue è il secondo pilastro. Il rilevamento è automatico, e Google sostiene che l’avatar può spostarsi tra le sue 97 lingue all’interno della stessa sessione senza degradare la qualità video né introdurre derive visive; il movimento delle labbra si adatta alla nuova lingua invece di conservare le forme della bocca della precedente. Il cambio avviene senza passaggi di consegna, senza ricaricare il sistema e senza pause percepibili. Nei mercati in cui i clienti alternano due o tre lingue nella stessa chiamata, come accade ogni giorno sulle linee di assistenza in India, in Nigeria o nelle Filippine, è la differenza tra un sistema utilizzabile e uno che costringe le persone a scegliere una lingua da un menu prima ancora di poter spiegare perché hanno chiamato.

Equal AI, un’azienda che sviluppa in India un assistente personale basato sull’IA, offre il quadro più chiaro della scala, anche se i suoi numeri riguardano il modello vocale e non l’avatar. La società dichiara di gestire già oltre un milione di chiamate dal vivo al giorno in nove lingue indiane, e il suo amministratore delegato, Akhilesh Damaraju, attribuisce a Gemini 3.8 Live una migliore gestione delle interruzioni, conversazioni multilingue più affidabili e chiamate agli strumenti più stabili. Un volume simile sarebbe economicamente impraticabile con operatori umani a parità di disponibilità e di copertura dei turni. Il presupposto progettuale di un impiego del genere non è la prova di fattibilità. È la capacità di smaltire volume, e a quei numeri ogni secondo risparmiato su un turno di conversazione si somma agli altri.

Gli altri nomi presenti al lancio indicano estremità diverse del mercato. Cox Automotive ha costruito per Autotrader un avatar conversazionale che permette agli acquirenti di descrivere con parole proprie l’auto che cercano, evidenzia sullo schermo i modelli corrispondenti e richiama strumenti di ricerca, confronto e finanziamento; Marianne Johnson, chief product officer di Cox Automotive, lo presenta come un sostituto di filtri e menu. Salesforce fa sapere che il suo team AI Research lavora con Google per combinare Gemini 3.8 Live con Agentforce, la sua piattaforma di agenti per l’assistenza, e Bob Van Osten, vicepresidente di prodotto per Agentforce, descrive la collaborazione come la ricerca di nuovi modi per accompagnare una pratica di assistenza dal primo contatto alla soluzione. Specs, che sviluppa un proprio assistente IA, segnala tramite l’ingegnere del software Eric Walsh il rilevamento dell’attività vocale aggiornato e la latenza più bassa misurati nei suoi test.

Ogni secondo di audio e video generato porta una filigrana SynthID. Il sistema, introdotto da Google DeepMind nel 2023 per le immagini ed esteso in seguito a testo, audio e video, incorpora un segnale che le persone non possono vedere né sentire ma che un software è in grado di rilevare. Google lo progetta per resistere alle trasformazioni più comuni, come la compressione e la ricodifica, così che una clip esportata da una chiamata di assistenza e pubblicata altrove possa ancora essere verificata nella sua origine. È l’impegno sulla sicurezza più concreto del lancio, e vale per ogni avatar, predefinito o personalizzato. La seconda tutela è procedurale: gli avatar personalizzati sono riservati alle aziende inserite in una lista di autorizzazione e passano per un processo di verifica separato, ed è questa la risposta di Google al timore evidente che una sola foto e un campione di voce bastino a clonare una persona reale.

La filigrana arriva anche in un momento utile per il versante europeo del business. Live Avatar è disponibile con endpoint negli Stati Uniti e nell’Unione europea, e l’AI Act dell’UE contiene regole di trasparenza, applicabili da agosto 2026, che impongono di informare le persone quando hanno a che fare con un sistema di IA e richiedono che audio e video sintetici siano marcati in un formato leggibile dalle macchine. SynthID copre il secondo obbligo. Il primo spetta a chi mette in campo l’avatar, perché una filigrana che nessuno vede non dice nulla a chi chiama sul fatto che il volto cordiale sullo schermo è generato. Google può fornire la marcatura; l’avviso deve arrivare dalla banca, dall’assicurazione o dalla catena alberghiera che mette quel volto davanti ai propri clienti.

Ciò che il lancio non dice è il prezzo. Nessuno dei due annunci indica una cifra per lo strato dell’avatar; il post di Cloud rimanda alla pagina generale dei prezzi dell’IA generativa di Google e al throughput riservato (provisioned throughput), e sia la capacità riservata sia gli avatar personalizzati passano per un commerciale. Le organizzazioni possono scegliere da una libreria curata di volti predefiniti oppure crearne uno proprio a partire da una sola foto di riferimento, un campione audio e una serie di istruzioni di sistema, ma la via personalizzata è soggetta ad autorizzazione e non funziona in modalità self-service. Extended Thinking per il modello Live resta in anteprima privata, il che per ora ne limita la profondità di ragionamento rispetto agli altri modelli Gemini di Google. I dati sulla latenza e i limiti di sessioni simultanee non sono pubblicati. Questo profilo ristretto è coerente con il modo in cui Google scagliona i rilasci per le aziende, con prezzi e capacità negoziati anziché messi in vetrina.

L’avatar arriva inoltre in una categoria che esiste già. Aziende come Synthesia, HeyGen e D-ID hanno costruito il proprio business su presentatori generati, soprattutto per formazione, marketing e video localizzati, prodotti in anticipo e non dal vivo. La proposta di Google si distingue per un aspetto: il volto è legato allo stesso modello che ascolta, ragiona e richiama gli strumenti, dentro la console in cui le aziende costruiscono già i loro agenti. Si affianca a una famiglia più ampia di modelli audio che comprende Gemini 3.5 Transcribe, Gemini 3.5 Live Translate e due varianti di sintesi vocale, Gemini 3.8 Flash TTS e Gemini 3.8 Flash-Lite TTS. Per un’azienda che usa già agenti Gemini, aggiungere un volto diventa una scelta di configurazione anziché un contratto con un fornitore in più, ed è proprio questo accorpamento la minaccia competitiva a cui gli specialisti dovranno rispondere.

Restano domande aperte che il materiale di lancio non affronta. Un volto crea aspettative che una voce non crea: chi chiama legge le espressioni, e un avatar che sorride mentre respinge una richiesta di risarcimento rischia di risultare più sgradito di una voce neutra che comunica la stessa risposta. Conta anche la banda, perché un agente video in streaming chiede alla connessione del cliente più di quanto faccia una linea telefonica, e molti dei mercati in cui l’assistenza multilingue vale di più sono anche quelli in cui i dati mobili costano di più. Nulla di tutto questo si può misurare da un post di lancio. Emergerà, oppure no, nei dati di soddisfazione e di completamento dei primi grandi impieghi.

Gemini 3.8 Live con Live Avatar è disponibile da subito nella console di Gemini Enterprise e tramite la Gemini Live API, mentre l’Agent Development Kit è la strada per gli sviluppatori che costruiscono agenti in streaming. Per Extended Thinking non esiste un calendario pubblicato oltre all’attuale gruppo in anteprima privata. Le aziende che lo adotteranno risponderanno a una domanda che la tecnologia da sola non risolve: se togliere il segnale visivo che rivela un’interazione automatizzata migliori l’esperienza delle persone dall’altra parte, oppure elimini l’ultimo indizio onesto che quell’interazione è in corso.

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