24 सप्टेंबर रोजी Google ने Gemini 3.8 Live सोबत Live Avatar सर्वसाधारण वापरासाठी उपलब्ध केले. कंपनीच्या थेट आवाज मॉडेलमध्ये बोलणारा, अॅनिमेटेड चेहरा जोडला जातो; हे मॉडेल संभाषणादरम्यान कॅमेरा किंवा स्क्रीनचा इनपुट घेऊ शकते आणि बाह्य साधने वापरू शकते. ग्राहकांशी संवाद साधणारे एजंट तयार करणाऱ्या विकासकांसाठी, व्हिडिओ आउटपुट आणि त्यासाठीचा दस्तऐवजीकृत API मार्ग एकत्र मिळणे हा व्यावहारिक बदल आहे. अवतारमुळे सेवेचे परिणाम सुधारतात किंवा प्रत्येक परिस्थितीत तो विश्वसनीयपणे काम करतो, हे घोषणेतून सिद्ध होत नाही.
मोठा बदल
- काय बदलले: Google च्या विकासक मार्गदर्शिकेत पूर्वीच्या Live मॉडेलच्या वाणी आउटपुटसोबत समकालिक अवतार व्हिडिओ जोडला आहे. आता विकासक एका स्ट्रीमिंग API मधून बोलणारा चेहरा आणि आवाज मिळवू शकतात.
- याचे महत्त्व: ग्राहकसेवा एजंट तयार करणाऱ्या टीम्स स्वतंत्र अवतार-रेंडरिंग पाइपलाइन न उभारता दृश्य रूप जोडू शकतात. त्यांचे अॅप्लिकेशनच साधनांचे कॉल चालवतात आणि चुका हाताळतात; अॅनिमेशनमुळे व्यवहार यशस्वी झाल्याचे सिद्ध होत नाही.
- काय पाहावे: तातडीचा डिझाइन निर्णय पूर्वनिर्धारित अवतार वापरायचा की सानुकूल व्यक्तिरूप, हा आहे. Google ची कॉन्फिगरेशन मार्गदर्शिका सानुकूल अवतारांचा वापर निवडक ग्राहकांपुरता मर्यादित करते आणि चेहरा किंवा आवाजाचे नमुने वापरण्यासाठी हक्क व संमती आवश्यक ठरवते. त्यामुळे ब्रँडचा सानुकूल अवतार वापरण्यापूर्वी प्रवेश आणि संमतीबाबत स्वतंत्र निर्णय घ्यावा लागतो.
अवतार उपलब्ध आहे; सानुकूल व्यक्तिरूपासाठी स्वतंत्र परवानगी आवश्यक
Google च्या प्रकाशन लेखात, थेट ऑडिओ व दृश्य इनपुटला प्रतिसाद देणारे, भाषा बदलणारे आणि साधनाचा कॉल सुरू असतानाही हॉटेलमध्ये चेक-इनचे संभाषण चालू ठेवणारे अवतार दाखवले आहेत. ही कंपनीची प्रात्यक्षिके आहेत. ती अपेक्षित संवादपद्धती दाखवतात; मात्र त्रुटींचे मोजलेले प्रमाण, सुलभतेचा परिणाम किंवा ग्राहकसेवा सुधारल्याचा पुरावा देत नाहीत.
Google ची Cloud घोषणा Gemini Enterprise आणि API द्वारे ही सुविधा सर्वसाधारणपणे उपलब्ध असल्याचे तसेच अमेरिकेतील आणि युरोपियन युनियनमधील एंडपॉइंट उपलब्ध असल्याचे सांगते. विकासक पूर्वनिर्धारित अवतार निवडू शकतात. एखाद्या व्यक्तीच्या संदर्भ-प्रतिमेवरून अवतार तयार करण्याची सुविधा निवडक उद्योगग्राहकांपुरती मर्यादित आहे; त्यासाठी Google Cloud कडे प्रवेशाची विनंती करावी लागते. कॉन्फिगरेशन मार्गदर्शिकेनुसार चेहरा किंवा आवाजाचे नमुने प्रक्रिया करण्यासाठी आवश्यक हक्क व संमती मिळवण्याची जबाबदारी ग्राहकांची आहे.
मॉडेल पानावर gemini-3.8-live हे मॉडेल उपलब्ध असलेले प्रदेश: us , eu आणि us-central1. मानक वापरानुसार पैसे भरणे आणि राखीव थ्रूपुट हे दोन्ही वापरपर्याय समर्थित असल्याचेही ते नमूद करते. सर्वसाधारण उपलब्धता म्हणजे सर्वांनाच प्रवेश, असे मानण्यापूर्वी टीम्सनी आपल्या अंमलबजावणीसाठीचे एंडपॉइंट आणि व्यावसायिक अटी तपासाव्यात.
संभाषण अजूनही अॅप्लिकेशनवर अवलंबून
Gemini 3.8 Live हे वाणी-ते-वाणी प्रणाली असून ते थेट कॅमेरा फ्रेम किंवा स्क्रीन शेअर घेऊन प्रतिसादात वाणी आणि व्हिडिओ देऊ शकते, असे Google सांगते. त्यांची विकासक मार्गदर्शिका एजंट बोलत असताना चालणारे कॉल आणि प्रतिसाद येईपर्यंत थांबणारे ब्लॉकिंग कॉल यांत फरक करते. स्वतःची साधने जोडणे आणि त्यांना अधिकृत करणे, त्यांचे परिणाम हाताळणे आणि एजंटला कोणती कृती करू द्यायची हे ठरवणे अजूनही अॅप्लिकेशनलाच करावे लागते. माहिती शोधताना चेहरा स्क्रीनवर दिसत राहतो म्हणून शोध यशस्वी झाला, असे सिद्ध होत नाही.
साधनांचे प्रतिसाद स्थिती आणि पुन्हा प्रयत्न करणे योग्य आहे का हे सांगणारे असावेत; ते मूळ कॉल ID शी जुळले पाहिजेत; तसेच विकासकांनी साधन-कॉलच्या पुनरावृत्तीवर मर्यादा घालावी, असे मार्गदर्शिका सांगते. खाते शोधताना माहिती न मिळाल्यास किंवा व्यत्यय आल्यास एजंट कसा प्रतिसाद देईल यावर या अटींचा परिणाम होतो. Gemini 3.8 Live 97 भाषांमध्ये बदलू शकते, असेही Google म्हणते. त्या सर्व भाषांमध्ये ओठांची हालचाल आवाजाशी जुळते, या घोषणेतील दाव्याचे येथे स्वतंत्र मोजमाप झालेले नाही.
तयार केलेल्या ऑडिओ आणि व्हिडिओवर SynthID वॉटरमार्क असतात आणि सानुकूल व्यक्तिरूप तयार करण्यावर मर्यादा आहेत, असे Google सांगते. ही जाहीर केलेली सुरक्षा उपाययोजना आहे; प्रत्येक दर्शकाला अवतार कृत्रिम असल्याचे कळेल किंवा गैरवापर थांबेल याचा पुरावा नाही. प्रत्यक्ष वापराचे मूल्यमापन करताना संमती, प्रकटीकरण, थेट कॅमेरा व आवाजाच्या डेटाची हाताळणी, अयशस्वी साधन-कॉल, व्यत्ययाला प्रतिसाद आणि प्रत्यक्ष वापरकर्त्यांसोबतची कामगिरी तपासावी लागेल. प्रकाशित घोषणा आणि दस्तऐवज हे परिणाम देत नाहीत.
स्रोत आणि पुढील वाचन
- Google ची Live Avatar घोषणा (24 सप्टेंबर 2026) अपेक्षित संवादपद्धती, अनेक भाषांतील अवतार आणि SynthID यांचे दावे वर्णन करते व दाखवते. प्रात्यक्षिके ही स्वतंत्र कामगिरी चाचणी नाहीत.
- Google Cloud ची सर्वसाधारण उपलब्धतेची घोषणा (24 सप्टेंबर 2026) उद्योगांसाठीची उपलब्धता, अमेरिका व EU मधील एंडपॉइंट, पूर्वनिर्धारित व मर्यादित सानुकूल अवतार आणि उदाहरणार्थ अॅप्लिकेशन यांचा तपशील देते. त्यातील ग्राहकांच्या प्रतिक्रिया जाहिरातीसदृश आहेत; या लेखात त्या परिणाममापन म्हणून वापरलेल्या नाहीत.
- Gemini 3.8 Live विकासक मार्गदर्शिका (24 सप्टेंबर 2026 रोजी अद्ययावत) मॉडेल तुलना, स्ट्रीमिंग स्वरूप आणि साधन-कॉलचे वर्तन नोंदवते. ती विशिष्ट अंमलबजावणीतील मोजलेल्या कामगिरीऐवजी API चे वर्तन स्पष्ट करते.
- Gemini 3.8 Live मॉडेल पान (24 सप्टेंबर 2026 रोजी अद्ययावत) मॉडेल ID, सर्वसाधारण उपलब्धतेची तारीख, प्रदेश आणि वापरपर्याय देते. विशिष्ट प्रकल्प आणि एंडपॉइंटसाठी उपलब्धता पुन्हा तपासावी.
- Live Avatar कॉन्फिगर करा (25 सप्टेंबर 2026 रोजी तपासले) पूर्वनिर्धारित अवतारसाठी API सेटअप तसेच सानुकूल व्यक्तिरूपासाठी प्रवेश व संमतीच्या अटी देते.
