
گوگل Gemini 3.8 Live با آواتار زنده را معرفی کرد
گوگل Gemini 3.8 Live با قابلیت آواتار زنده را معرفی کرده است که گفتوگوی صوتی بلادرنگ را با ویدئوی تولیدشده و آواتارهای دارای همگامسازی لب ترکیب میکند. این قابلیت برای مشتریان سازمانی در دسترس است و از اجرای ناهمگام ابزارها، درک همزمان صوت و تصویر و پشتیبانی از ۹۷ زبان بهره میبرد.
گوگل قابلیت Gemini 3.8 Live با آواتار زنده (Live Avatar) را معرفی کرده است. این فناوری مدل گفتوگوی صوتی بلادرنگ را با تولید ویدئوی کمتأخیر ترکیب میکند تا یک شخصیت بصری پویا بتواند همزمان با کاربر گوش دهد، محتوای تصویری را درک کند و پاسخ صوتی و تصویری ارائه دهد. گوگل اعلام کرده است که این قابلیت از همگامسازی دقیق حرکت لب، حالات چهره طبیعی و نوبتگیری روان در مکالمه پشتیبانی میکند. یکی از قابلیتهای اصلی این سامانه، اجرای ناهمگام ابزارها (Asynchronous Tool Execution) است. عامل میتواند هنگام ادامه گفتوگو، فراخوانی ابزارها و رابطهای برنامهنویسی کاربردی (API) را در پسزمینه انجام دهد و پس از دریافت داده، فرایند را تکمیل کند. همچنین Gemini 3.8 Live میتواند صوت، تصویر، ویدئو و متن را در کنار یکدیگر پردازش کند و از جریان زنده دوربین و اشتراکگذاری صفحه برای درک زمینه استفاده کند. گوگل اعلام کرده است که قابلیت آواتار زنده از گفتار به گفتار چندزبانه در ۹۷ زبان پشتیبانی میکند و همگامسازی حرکت لب و حالات چهره را هنگام تغییر زبان حفظ میکند. سازمانها میتوانند از میان آواتارهای آماده انتخاب کنند و ایجاد آواتار سفارشی نیز با استفاده از تصویر مرجع امکانپذیر است، هرچند این قابلیت فعلاً به دسترسی سازمانی محدود شده است. خروجیهای صوتی و ویدئویی تولیدشده نیز با نشانگر نامحسوس SynthID علامتگذاری میشوند. برای توسعهدهندگان ایرانی، اهمیت این عرضه در فراهمشدن معماری آماده برای ساخت عاملهای صوتی و تصویری بلادرنگ (Real-time Voice and Video Agents) است. پشتیبانی از ۹۷ زبان و پردازش همزمان صوت و تصویر میتواند برای طراحی دستیارهای چندزبانه، خدمات مشتری، آموزش تعاملی و سامانههای مبتنی بر دوربین کاربرد داشته باشد؛ با این حال، توسعهدهندگان باید دسترسی سازمانی، الزامات منطقهای سرویس و محدودیتهای مربوط به آواتارهای سفارشی را در طراحی محصول در نظر بگیرند. Gemini 3.8 Live با آواتار زنده از ۲۴ سپتامبر ۲۰۲۶ برای مشتریان سازمانی در Gemini Enterprise در دسترس قرار گرفته است. گوگل همچنین مستندات رابط برنامهنویسی کاربردی Gemini Live را برای ادغام این قابلیت در برنامههای توسعهدهندگان ارائه کرده است.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




