Az AI-asszisztensek eddig többnyire hangként vagy szövegként voltak jelen. A Google most egy új réteget tett rá erre az élményre: a Gemini már egy animált arccal is „jelen tud lenni” a beszélgetésben.

Mi történt

A Google bejelentette a Gemini 3.8 Live frissítését, amelynek része a Live Avatar nevű funkció. Ez lehetővé teszi, hogy a felhasználó egy animált AI-személyiséggel beszélgessen, amely valós időben reagál, szinkronban mozgatja a száját, és különböző arckifejezéseket is megjelenít.

A megoldás jelenleg csak Gemini Enterprise ügyfelek számára érhető el, tehát elsősorban céges használatra szánják. A rendszer 97 nyelvet támogat, és a Google szerint képes ezek között úgy váltani, hogy közben nem romlik a videó minősége, és nem csúszik el vizuálisan az avatar mozgása. Ez utóbbi azért fontos, mert egy ilyen felületnél nagyon zavaró tud lenni, ha a szájmozgás nem illik a kimondott szöveghez. A Live Avatar beszéd közben információkat is meg tud jeleníteni a képernyőn, vagyis nemcsak „beszélő fejként” működik, hanem prezentációs felületként is.

A bejelentés időzítése sem véletlen: nagyjából egy héttel követi a Gemini 3.8 Live modell bemutatását, amely közel valós időben képes vizuális inputok feldolgozására. Ez leegyszerűsítve azt jelenti, hogy a rendszer nemcsak hallja vagy olvassa, amit kap, hanem képi információkra is gyorsan tud reagálni. A cégek előre elkészített avatárok közül választhatnak, de saját karaktert is létrehozhatnak. A kimenet láthatatlan SynthID vízjelet is kap, ami egy olyan technikai jelölés, amely segíthet az AI-val generált tartalom azonosításában akkor is, ha ez a néző számára nem látható.

Miért fontos

Ez a lépés jól mutatja, hogy az AI-termékeknél már nem csak a modell „okossága” számít, hanem az is, hogyan jelenik meg a felhasználó előtt. Gondolj rá úgy, mint egy ügyfélszolgálatos vagy oktatóvideós felület és egy chatbot keresztezésére: emberibbnek hat, könnyebb lehet követni, és bizonyos helyzetekben természetesebb interakciót adhat. Ugyanakkor az ilyen rendszereknél különösen fontos az identitásvédelem és a jelölés kérdése, ezért lényeges, hogy a Google vízjelezést és identitásvédelmi korlátokat is emleget a bevezetés mellett.

Mire figyelj

  1. Érdemes követni, mikor lép ki a funkció a vállalati csomagból, mert ez mutatja meg igazán, hogy tömeges felhasználásra is késznek tartják-e.
  2. Fontos kérdés lesz, mennyire testreszabhatók a saját avatárok, és milyen korlátok védik majd a valódi emberek arcának vagy stílusának utánzását.
  3. Az is sokat elárul majd a technológia érettségéről, hogy a többnyelvű működés mennyire marad meggyőző hosszabb, összetettebb beszélgetések közben.
  4. Ha a képernyőn megjelenített információk és a beszélő avatar jól működnek együtt, az új használati módokat nyithat meg belső vállalati támogatásban, oktatásban és ügyfélkommunikációban.