Η Google παρουσιάζει διαδραστικά Live Avatars με το Gemini 3.8 Live

Η Google πραγματοποίησε ένα αποφασιστικό βήμα προς αυτή την κατεύθυνση, ενσωματώνοντας τα Live Avatars στο οικοσύστημα του Gemini 3.8 Live εντός του Gemini Enterprise. Αυτή η αναβάθμιση προσφέρει στην πλατφόρμα μια διαδραστική, κινούμενη ψηφιακή περσόνα, ικανή να επικοινωνεί σε πραγματικό χρόνο μέσα από διάφορα ψηφιακά κανάλια, όπως εφαρμογές για κινητά, διαδικτυακές πλατφόρμες και διαδραστικά ψηφιακά κιόσκια.

Στο επίκεντρο αυτής της λειτουργίας βρίσκεται η σημαντική βελτίωση στη ροή βίντεο χαμηλής καθυστέρησης, η οποία επιτρέπει στα avatars τεχνητής νοημοσύνης να εμφανίζουν ακριβή συγχρονισμό χειλιών και φυσικές εκφράσεις προσώπου κατά τη διάρκεια του ζωντανού διαλόγου. Σε αντίθεση με τα παραδοσιακά συστήματα που επεξεργάζονται την ομιλία μετατρέποντας τη φωνή σε κείμενο και στη συνέχεια ξανά σε παραγόμενο ήχο, το Gemini 3.8 Live βασίζεται σε μια αυτόχθονη αρχιτεκτονική speech-to-speech. Επεξεργαζόμενο τα εισερχόμενα δεδομένα ήχου και εικόνας απευθείας σε ένα ενιαίο σύστημα, εξαλείφει τις καθυστερήσεις απόκρισης. Αυτό επιτρέπει τη φυσική εναλλαγή σειράς ομιλίας στις συζητήσεις, προσαρμοζόμενο σε παύσεις, δισταγμούς και διακυμάνσεις στον τόνο της φωνής χωρίς αφύσικα κενά ή επικαλύψεις.

Η παγκόσμια προσβασιμότητα αποτελεί κεντρικό πυλώνα αυτής της υλοποίησης, καθώς το σύστημα προσφέρει δυνατότητες μετάφρασης και αλληλεπίδρασης σε πραγματικό χρόνο σε 97 υποστηριζόμενες γλώσσες. Το avatar προσαρμόζει αυτόματα τις κινήσεις των χειλιών του ώστε να ταιριάζουν με τη φωνητική της κάθε γλώσσας, αποτρέποντας την οπτική αλλοίωση κατά τις γλωσσικές εναλλαγές. Επιπλέον, η υποκείμενη πλατφόρμα υποστηρίζει την εκτέλεση σύνθετων εργασιών στο παρασκήνιο, όπως την ανάκτηση δεδομένων, την εκτέλεση κώδικα και τη διαχείριση εταιρικών API, χωρίς να διακόπτεται η ροή του βίντεο ή να απαιτείται οθόνη αναμονής.

Η ασφάλεια και η αυθεντικότητα βρίσκονται επίσης σε προτεραιότητα σε αυτό το πλαίσιο. Ενώ οι επιχειρήσεις μπορούν να επιλέξουν περσόνες από μια έτοιμη βιβλιοθήκη ή να δημιουργήσουν προσαρμοσμένα avatars, όλες οι παραγόμενες ροές βίντεο και ήχου φέρουν αόρατα υδατογραφήματα SynthID. Αυτό το ψηφιακό στρώμα επαλήθευσης διασφαλίζει ότι το περιεχόμενο που παράγεται από τεχνητή νοημοσύνη παραμένει ανιχνεύσιμο, παρέχοντας σαφή όρια για την εταιρική εξυπηρέτηση πελατών και τις διαδραστικές οδηγίες χρήσης.