Google ২৪ সেপ্টেম্বর Gemini 3.8 Live-এর সঙ্গে Live Avatar সাধারণ ব্যবহারের জন্য উন্মুক্ত করেছে। এতে কোম্পানির live voice model-এ কথা বলা, নড়াচড়া করা মুখ যোগ হয়; কথোপকথনের সময় model camera বা screen থেকে input নিতে এবং বাইরের tool-ও ব্যবহার করতে পারে। গ্রাহকমুখী agent তৈরি করা developer-দের জন্য ব্যবহারিক পরিবর্তন হলো, video output ও তার নথিভুক্ত API-র পথ এখন সমন্বিত। Avatar-এ সেবার ফল উন্নত হয় বা সব পরিবেশে এটি নির্ভরযোগ্যভাবে চলে—ঘোষণায় তা প্রতিষ্ঠিত হয়নি।

বড় পরিবর্তন

  • কী বদলেছে: Google-এর developer guide তাদের আগের Live model-এ থাকা speech output-এর সঙ্গে সমলয়ে চলা avatar video যোগ করেছে। Developer-রা এখন এক streaming API থেকেই কথা বলা মুখ ও কণ্ঠ পেতে পারেন।
  • কেন গুরুত্বপূর্ণ: customer-service agent তৈরি করা দল আলাদা avatar-rendering ব্যবস্থা ছাড়াই দৃশ্যমান avatar যোগ করতে পারে। তাদের application-কেই এখনও tool call চালাতে ও ব্যর্থতা সামলাতে হবে; animation দেখে কোনো লেনদেন সফল হয়েছে বলা যায় না।
  • কী নজরে রাখবেন: তাৎক্ষণিক নকশাগত সিদ্ধান্তটি হলো আগে থেকে তৈরি avatar নেবেন, নাকি কোনো ব্যক্তির likeness ব্যবহার করবেন। Google-এর configuration guide custom avatar-কে নির্দিষ্ট কিছু গ্রাহকের মধ্যে সীমিত রাখে এবং মুখ বা কণ্ঠের sample ব্যবহারে অধিকার ও সম্মতি চায়। তাই brand-সংশ্লিষ্ট likeness ব্যবহারে প্রবেশাধিকার ও সম্মতি নিয়ে আলাদা সিদ্ধান্ত দরকার।

Avatar পাওয়া যাচ্ছে; custom likeness-এর জন্য আলাদা অনুমতি লাগে

তাদের launch post-এ Google এমন avatar প্রদর্শন করে, যা live audio ও visual input-এ সাড়া দেয়, ভাষা বদলায় এবং tool call চলার সময় hotel check-in-এর কথোপকথন চালিয়ে যায়। এগুলো কোম্পানির demonstration। এতে কাঙ্ক্ষিত ব্যবহার-অভিজ্ঞতা বোঝা যায়; কিন্তু ভুলের হার, accessibility-র ফল বা customer service ভালো হওয়ার প্রমাণ মেলে না।

Google-এর Cloud announcement অনুযায়ী, Gemini Enterprise-এ এবং API-র মাধ্যমে feature-টি সাধারণভাবে পাওয়া যায়; US ও EU endpoint রয়েছে। Developer-রা আগে থেকে তৈরি avatar বেছে নিতে পারেন। কোনো ব্যক্তির reference image থেকে avatar তৈরি এখনও নির্দিষ্ট enterprise গ্রাহকের মধ্যে সীমিত; Google Cloud-এর মাধ্যমে তাদের প্রবেশাধিকার চাইতে হয়। configuration guide বলছে, মুখ বা কণ্ঠের sample প্রক্রিয়াকরণের জন্য প্রয়োজনীয় অধিকার ও সম্মতি সংগ্রহের দায় গ্রাহকের।

মডেল-পৃষ্ঠায় model ID gemini-3.8-live এবং প্রাপ্যতার অঞ্চল হলো us এবং eu multi-regions এবং us-central1। এটিতে standard pay-as-you-go ও provisioned throughput—দুটিকেই সমর্থিত ব্যবহারের বিকল্প হিসেবে তালিকাভুক্ত করা হয়েছে। সাধারণ প্রাপ্যতা মানেই সব deployment-এ প্রবেশাধিকার—এমন ধরে নেওয়ার আগে দলগুলোর নিজস্ব endpoint ও বাণিজ্যিক শর্ত যাচাই করা উচিত।

কথোপকথনের ফল এখনও application-এর ওপর নির্ভর করে

Google-এর বর্ণনায় Gemini 3.8 Live হলো speech-to-speech system, যা live camera frame বা screen share নিতে এবং তার জবাবে speech ও video দিতে পারে। তাদের developer guide agent কথা চালিয়ে যাওয়ার সময় যে call চলতে পারে, আর response আসা পর্যন্ত অপেক্ষা করা blocking call—দুটিকে আলাদা করেছে। Application-কেই এখনও নিজের tool যুক্ত ও অনুমোদন করতে, সেগুলোর ফল সামলাতে এবং agent কী পদক্ষেপ নিতে পারবে ঠিক করতে হয়। কোনো তথ্য খোঁজার সময় মুখটি পর্দায় থেকে গেলেই অনুসন্ধান সফল হয়েছে বলে প্রমাণ হয় না।

Guide-এ বলা হয়েছে, tool-এর response-এ status ও আবার চেষ্টা করা যুক্তিযুক্ত কি না তা জানাতে হবে; মূল call ID-র সঙ্গে মিলতে হবে; এবং developer-দের বারবার tool call-এর সীমা নির্ধারণ করতে হবে। কোনো account lookup-এ ফল না এলে বা কাজের মাঝে interruption ঘটলে agent কীভাবে সামলাবে, এই শর্তগুলো তাতে প্রভাব ফেলে। Google আরও বলেছে, Gemini 3.8 Live ৯৭টি ভাষার মধ্যে বদল করতে পারে। এসব ভাষায় ঠোঁটের নড়াচড়া কথার সঙ্গে মিলে থাকে—ঘোষণার এই দাবি এখানে স্বাধীনভাবে পরিমাপ করা হয়নি।

Google বলছে, তৈরি করা audio ও video-তে SynthID watermark থাকে এবং custom likeness তৈরিতে সীমা রয়েছে। এগুলো ঘোষিত সুরক্ষা-ব্যবস্থা; প্রত্যেক দর্শক avatar-কে কৃত্রিম বলে চিনবেন বা অপব্যবহার ঠেকানো হবে—তার প্রমাণ নয়। Deployment মূল্যায়নে বাস্তব ব্যবহারকারীদের সঙ্গে সম্মতি, পরিচয় প্রকাশ, live camera ও voice data সামলানো, ব্যর্থ tool call, interruption-এর আচরণ এবং পর্যবেক্ষিত কার্যকারিতা যাচাই করা দরকার। প্রকাশিত launch উপকরণ ও documentation-এ এসব ফল নেই।

সূত্র ও আরও পড়ুন

  • Google-এর Live Avatar ঘোষণা (২৪ সেপ্টেম্বর ২০২৬) কোম্পানির পরিকল্পিত ব্যবহার, বহুভাষিক avatar এবং SynthID-সংক্রান্ত দাবি বর্ণনা ও প্রদর্শন করে। তাদের demo স্বাধীন কার্যকারিতা পরীক্ষা নয়।
  • Google Cloud-এর সাধারণ-প্রাপ্যতার ঘোষণা (২৪ সেপ্টেম্বর ২০২৬) enterprise-এ প্রাপ্যতা, US ও EU endpoint, আগে থেকে তৈরি ও সীমিত custom avatar এবং ব্যবহারের উদাহরণ নির্দিষ্ট করে। সেখানে গ্রাহকদের মন্তব্য প্রচারমূলক বক্তব্য; এই প্রতিবেদনে ফলাফলের মাপ হিসেবে ব্যবহৃত হয়নি।
  • Gemini 3.8 Live developer guide (২৪ সেপ্টেম্বর ২০২৬-এ হালনাগাদ) model তুলনা, streaming format এবং tool-call আচরণের নথি দেয়। নির্দিষ্ট deployment-এ পরিমাপ করা কার্যকারিতা নয়, API কীভাবে কাজ করার কথা তা বর্ণনা করে।
  • Gemini 3.8 Live model page (২৪ সেপ্টেম্বর ২০২৬-এ হালনাগাদ) model ID, GA প্রকাশের তারিখ, অঞ্চল এবং ব্যবহার-বিকল্পের তালিকা দেয়। নির্দিষ্ট project ও endpoint-এর জন্য প্রাপ্যতা আবার যাচাই করা উচিত।
  • Live avatar কনফিগার করুন (২৫ সেপ্টেম্বর ২০২৬-এ যাচাই) stock avatar API setup এবং custom likeness ব্যবহারের সীমিত প্রবেশাধিকার, সম্মতি ও image-সংক্রান্ত শর্ত জানায়।