Gemini 3.8 Live Avatar le pone rostro a los bots de servicio en 97 idiomas

Google le puso un rostro en video, en tiempo real y con sincronización labial, a su modelo de voz a voz, y lo ofrece primero a los centros de atención y a las salas de exhibición de autos. Cada cuadro lleva una marca de agua SynthID; ningún documento del lanzamiento dice cuánto cuesta ese rostro.

Durante dos décadas, el servicio al cliente le habló a la gente desde una caja vacía: un menú telefónico, una burbuja de chat, una voz sintética sin nada detrás. El 25 de septiembre, Google liberó con disponibilidad general Gemini 3.8 Live con Live Avatar en Gemini Enterprise, y el producto busca de forma directa llenar esa caja con un rostro. El avatar habla, mueve los labios en sincronía con sus palabras, hace expresiones y sigue conversando mientras consulta datos en segundo plano. Funciona en 97 idiomas y cambia de uno a otro a mitad de la llamada cuando el cliente lo hace. Google lo dirige a reclamaciones de seguros, registros en hoteles y compra de autos, no a escenarios de demostración, y eso dice mucho sobre dónde cree la empresa que está el dinero de la IA de voz.

Detrás del rostro está Gemini 3.8 Live, el modelo nativo de voz a voz que Google anunció la semana previa, junto con una variante llamada Extended Thinking. Voz a voz quiere decir que el modelo escucha audio y responde con audio, sin pasar primero la conversación a texto y luego de regreso. Los bots de voz anteriores funcionaban como una carrera de relevos: un sistema transcribía lo que decía el cliente, otro decidía qué contestar y un tercero leía la respuesta en voz alta. Cada relevo sumaba retraso y borraba el tono, y por eso esos bots le hablaban encima a la gente, no captaban cuando alguien los interrumpía y dejaban silencios largos y mecánicos. Un modelo nativo elimina el relevo y conserva el ritmo del habla dentro de un solo sistema.

Live Avatar le agrega a ese circuito una capa de video en streaming. Lo que lo separa de las técnicas de superposición de video, en las que un rostro se anima cuando el audio ya existe, es que audio y video se generan en la misma ruta de inferencia en vivo, no como pasos sucesivos. Ese acoplamiento es lo que mantiene la latencia lo bastante baja para un ida y vuelta natural, y explica por qué los labios coinciden con las sílabas en vez de quedarse atrás. El modelo también lee la imagen de la cámara en vivo y las pantallas compartidas mientras habla, y puede resaltar elementos en la pantalla del cliente; así, quien llama puede mostrar un problema además de describirlo, y el agente puede señalarle la respuesta.

El producto no salió de la nada. Google mostró un primer adelanto de Live Avatar en Google Cloud Next 2026, y la línea Live viene de 2024, cuando Gemini Live llegó a los celulares como modo de voz y la Multimodal Live API se abrió a los desarrolladores junto con Gemini 2.0, en diciembre de ese año. Cada versión empujó la misma idea un poco más: menos turnos que se sienten como turnos, menos pausas que delatan a la máquina. La publicación para consumidores que presentó el avatar salió el 24 de septiembre, firmada por Shuo-yiin Chang, del área de investigación científica, y CJ Zheng, de ingeniería de software, a nombre del Gemini Audio Team. La disponibilidad general para empresas llegó un día después en el blog de Google Cloud, lo que deja claro qué público espera Google que pague por él.

En un despliegue de servicio al cliente, el rostro importa menos que lo que pasa detrás. Gemini 3.8 Live ejecuta llamadas a herramientas y a API de forma asíncrona: confirma la solicitud, mantiene viva la conversación y, en segundo plano, recupera un pedido, revisa una póliza o consulta el inventario. Según Google, se recupera de las interrupciones sin perder el contexto ni la transacción de backend que esté en curso, justo la falla que con más frecuencia regresa a un cliente frustrado al inicio de un menú telefónico. Es una diferencia fácil de subestimar. Un bot que se queda callado seis segundos mientras responde una base de datos parece descompuesto; uno que avisa que está revisando y sigue hablando parece un empleado de mostrador.

La demostración principal de Google es una reclamación de seguro. El cliente apunta la cámara del celular hacia el daño y lo va explicando, el agente llena el expediente del siniestro mientras la persona habla, y un equipo de agentes en segundo plano, construido con el Agent Development Kit de Google, revisa la póliza y arma el paquete que va a necesitar el ajustador. El código de ese equipo de agentes aparece enlazado en el material de lanzamiento como ejemplo de código abierto, señal de que Google quiere que los desarrolladores copien la arquitectura tanto como el rostro. El otro ejemplo de la empresa es más cotidiano: un huésped que hace su registro en un hotel. Los dos describen el mismo diseño. El avatar es la cara visible de un flujo de trabajo, no una cabeza parlante que lee un guion.

El manejo de idiomas es el segundo pilar. La detección es automática, y Google asegura que el avatar puede pasar entre sus 97 idiomas dentro de la misma sesión sin que baje la calidad del video ni aparezca deriva visual, con un movimiento de labios que se ajusta al nuevo idioma en lugar de mantener las formas de boca del anterior. El cambio ocurre sin transferir la llamada, sin recargar el sistema y sin una pausa notoria. En mercados donde los clientes saltan entre dos o tres idiomas en una misma llamada, que es la realidad diaria de las líneas de soporte en India, Nigeria o Filipinas, eso separa a un sistema útil de uno que obliga a escoger idioma en un menú antes de poder explicar por qué llamaron.

Equal AI, una empresa que desarrolla un asistente personal de IA en India, ofrece la imagen más clara de la escala, aunque sus cifras se refieren al modelo de voz y no al avatar. La compañía dice que ya maneja más de un millón de llamadas en vivo al día en nueve idiomas de India, y su director ejecutivo, Akhilesh Damaraju, le atribuye a Gemini 3.8 Live un mejor manejo de interrupciones, conversaciones multilingües más confiables y llamadas a herramientas más estables. Ese volumen sería económicamente inviable con agentes humanos que ofrecieran la misma disponibilidad y la misma cobertura de horarios. La premisa de diseño de un despliegue así no es una prueba de concepto. Es el volumen procesado, y a esa escala cada segundo que se le recorta a un turno de conversación se va sumando.

Los otros nombres del lanzamiento apuntan a extremos distintos del mercado. Cox Automotive creó para Autotrader un avatar conversacional que permite a los compradores describir con sus propias palabras el auto que quieren, resalta en pantalla las opciones que coinciden y llama a herramientas de búsqueda, comparación y financiamiento; Marianne Johnson, directora de producto de Cox Automotive, lo plantea como un reemplazo de los filtros y los menús. Salesforce afirma que su equipo de AI Research trabaja con Google para combinar Gemini 3.8 Live con Agentforce, su plataforma de agentes para servicio, y Bob Van Osten, vicepresidente de producto de Agentforce, presenta la colaboración como una búsqueda de nuevas maneras de llevar un caso de servicio desde el primer contacto hasta su resolución. Specs, que desarrolla su propio asistente de IA, destaca por medio de su ingeniero de software Eric Walsh la detección de actividad de voz actualizada y la menor latencia que midió en sus pruebas.

Cada segundo de audio y video generado lleva una marca de agua SynthID. El sistema, que Google DeepMind presentó en 2023 para imágenes y que después extendió a texto, audio y video, inserta una señal que las personas no pueden ver ni oír, pero que un software sí puede detectar. Google la diseña para que resista transformaciones comunes como la compresión y la recodificación, de modo que un clip exportado de una llamada de soporte y publicado en otro sitio todavía pueda rastrearse hasta su origen. Es el compromiso de seguridad más concreto del lanzamiento, y aplica a todos los avatares, predeterminados o personalizados. La segunda salvaguarda es de procedimiento: los avatares personalizados están detrás de una lista de acceso empresarial y de un proceso de verificación aparte, que es la respuesta de Google a la preocupación obvia de que una sola foto y una muestra de voz basten para clonar a una persona real.

La marca de agua también llega en un buen momento para el lado europeo del negocio. Live Avatar se lanza con endpoints en Estados Unidos y en la Unión Europea, y la Ley de IA de la UE incluye reglas de transparencia, vigentes desde agosto de 2026, que obligan a avisar a las personas cuando tratan con un sistema de IA y a marcar el audio y el video sintéticos de forma legible por máquina. SynthID cubre la segunda obligación. La primera le toca a quien despliega el avatar, porque una marca de agua que nadie ve no le avisa a quien llama que el rostro amable de la pantalla es generado. Google puede poner el marcado; el aviso tiene que venir del banco, la aseguradora o la cadena hotelera que pone ese rostro frente a sus clientes.

Lo que el lanzamiento no revela es el precio. Ninguno de los dos anuncios da una cifra para la capa del avatar; la publicación de Cloud remite a la página general de precios de IA generativa de Google y al rendimiento aprovisionado, y tanto la capacidad aprovisionada como los avatares personalizados se tramitan con un representante de ventas. Las organizaciones pueden escoger rostros de una biblioteca curada de opciones predeterminadas o crear el suyo a partir de una sola foto de referencia, una muestra de audio y un conjunto de instrucciones de sistema, pero esa vía personalizada tiene acceso restringido y no funciona en autoservicio. Extended Thinking para el modelo Live sigue en vista previa privada, lo que por ahora limita su profundidad de razonamiento frente a otros modelos Gemini de Google. No se publicaron cifras de latencia ni límites de sesiones simultáneas. Ese perfil restringido es coherente con la forma en que Google escalona sus lanzamientos empresariales, con precios y capacidad que se negocian en lugar de publicarse.

El avatar también llega a una categoría que ya existe. Empresas como Synthesia, HeyGen y D-ID construyeron negocios con presentadores generados, sobre todo para capacitación, marketing y video localizado que se renderiza por adelantado y no en vivo. La propuesta de Google es distinta en un punto: el rostro está conectado al mismo modelo que escucha, razona y llama a las herramientas, dentro de la consola donde las empresas ya construyen sus agentes. Se suma a una familia más amplia de modelos de audio que incluye Gemini 3.5 Transcribe, Gemini 3.5 Live Translate y dos variantes de texto a voz, Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS. Para una empresa que ya opera agentes de Gemini, agregar un rostro se vuelve una opción de configuración y no un contrato con otro proveedor, y ese paquete es la amenaza competitiva a la que tendrán que responder los especialistas.

Hay preguntas abiertas que el material de lanzamiento no aborda. Un rostro genera expectativas que una voz no genera: quien llama lee las expresiones, y un avatar que sonríe mientras rechaza una reclamación puede caer peor que una voz neutra que da la misma respuesta. El ancho de banda también pesa, porque un agente de video en streaming le exige más a la conexión del cliente que una línea telefónica, y muchos de los mercados donde el soporte multilingüe vale más son también donde los datos móviles cuestan más. Nada de esto se puede medir a partir de un anuncio de lanzamiento. Se verá, o no, en las cifras de satisfacción y de casos completados de los primeros despliegues grandes.

Gemini 3.8 Live con Live Avatar ya está disponible en la consola de Gemini Enterprise y a través de la Gemini Live API, con el Agent Development Kit como ruta para que los desarrolladores construyan agentes en streaming. Extended Thinking no tiene un calendario publicado más allá de su grupo actual de vista previa privada. Las empresas que lo implementen van a responder una pregunta que la tecnología no resuelve: si quitar la señal visual que distingue una interacción automatizada mejora la experiencia de las personas del otro lado, o si borra el último indicio honesto de que esa interacción está ocurriendo.

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