Google 的数字人 GA，你的 API 上没有它

9 月 24 日，Google 的两篇官方博文同一天上线。一篇发在 Google Cloud 博客，标题是《Power your agents: Gemini 3.8 Live with Live Avatar is now generally available》，作者 Fabien Blanc-paques 的职衔是 Gemini Live 的产品经理 1；另一篇发在 Google 博客，署名是研究科学家 Shuo-yiin Chang 与软件工程师 CJ Zheng，后者代表 Gemini Audio 团队 2。同一天，Google Cloud 的官方账号也把这件事发到了 X 上 3。两篇讲的是同一件事：上周 GA 的 Gemini 3.8 Live 多了一个会出现在画面里的数字人版本，渠道写的是 Gemini Enterprise。

Cloud 博文的收尾一句是「start building now with API」。这句里的 API 是一个链接，落到 docs.cloud.google.com 的 Gemini Enterprise Agent Platform 文档上，而不是开发者平时用的 ai.google.dev。

这句话的落点，就是这一期的入口。 同一个模型 id 在两条渠道上都在卖，能拿回来的东西不一样，而两条渠道的差别，官方在文档里写得很清楚。

企业侧把这段视频写进了四个地方。 模型参考页上写着 Release date: September 24, 2026，Launch stage 是 GA，输出模态包含 24 kHz 音频、24 FPS 的 MP4 数字人视频和文字 4。开发者指南把「24 FPS Live Avatar video synthesis」放在 What's new 第一条 5。配置页给出的开关是 generation_config 里的 response_modalities，原文写着 Must be set to ["VIDEO"] to enable avatar video output 6。企业侧定价表里有一行 Output: video (avatar)，单价 1.00 美元每百万 token 7。

这段视频怎么计费，官方写得很细。 企业侧计费说明的原文是 Avatar Video Output: 6,192 tokens per second of video，后面补了一句用法：数字人说话时才产生视频输出费用，它听你说话的那段时间不计费 7。同一页列出的可用区域有三个：多区域 us、多区域 eu、美国 us-central1。

开发者 API 那一侧，同一天是三处逐字。 模型页的 Supported data types 一栏，Inputs 写的是 Text, images, audio, video，Output 写的是 Text and audio；能力表里 Image generation 一栏标着 Not supported，Live API 一栏标着 Supported 8。Live API 的能力指南在限制一节里写：The native audio models only support AUDIO response modality，需要文字的话就用输出音频转写 9。模型页的迁移小节重复了同一件事：Response modalities: Audio is the supported response modality 8。

定价页那次更新最能说明问题。 开发者 API 的定价页自述 Last updated 2026-09-24，也就是 GA 当天被更新过；更新之后，Gemini 3.8 Live 那一节的输出侧仍然只有两行——文字 4.50 美元、音频 12.00 美元每百万 token 10。同一个页面上出现过的 17.50 美元视频价位属于另一个模型 Gemini Omni Flash，官方把它称作「下一代视频生成与编辑模型」10。

变更记录那边也停住了。 开发者 API 的 Release notes 最新一条是 9 月 22 日；9 月 15 日那条写的是两个 audio-to-audio 模型 GA，通篇没有给视频输出留位置 11。企业侧 Agent Platform 的发布说明到核验时点也没有收录 9 月 24 日这一条，被更新的只有文档页本身。

同一家公司同一个域名下，企业侧自己也有两代写法。 Agent Platform 的 Live API 参考页还留着旧句子：The Gemini Live API can process text, audio, and video input, and it can provide text and audio output 12。指南层已经写了数字人视频输出，参考层还停在文字与音频。要判断这条能力，得读指南和配置页，别只读参考页。

有一处反向证据必须写出来。 DeepMind 的官方模型卡在 Distribution 一节把 Gemini API 列为 Gemini 3.8 Live 的分发渠道之一，输出一节里写着 With Live Avatar: Audio, video, and text 13。这一节的渠道列表是给「Gemini 3.8 Live」这个模型列的，没有单独区分带不带 Live Avatar 的变体，所以它只能证明模型卡把开发者 API 算作这个模型的渠道，证明不了数字人视频输出在开发者 API 上可用。换句话说，能确证的只有一侧：「截至 2026 年 9 月 24 日 21:37（UTC），模型页、Live API 总览、Live API 能力指南、定价页与 Release notes 这五个 ai.google.dev 页面里，找不到 avatar、digital human、video output 这三个词中的任何一个」；另一侧，企业侧有四处明确记载。

两边调的是同一个模型。 企业侧开发者指南的规格表与开发者 API 模型页指向的都是 gemini-3.8-live 这个 id 58。差别落在请求里 response_modalities 这个字段的取值：企业侧要把它写成 ["VIDEO"]，开发者 API 侧只接受 AUDIO。

官方没有解释为什么会分开。 能查到的只有文档上的差别：企业侧为视频输出配了指定区域与预置吞吐，并单独给了视频单价。预置吞吐要联系 Google Cloud 销售代表开通，自定义头像也要走白名单与验证流程 12。官方博客把自定义头像的条件写成「strict enterprise allowlisting and verification process」，而预置头像库是可以直接用的 1。生成出来的音频与视频都带 SynthID 水印 2。这些条件加起来，把这条能力放进了企业采购的流程里，而不是放进开发者自助的流程里。

受影响最直接的是已经在做实时语音 agent 的团队。 他们的音频链路这次几乎没有变化，新出现的是一个可选的画面层：可以拿预置头像先跑起来，也可以拿一张参考图去申请自定义头像。参考图的规格官方也给了：竖版、分辨率不低于 704×1280、单张小于 5 MB 6。另外，模型卡给这个模型的连续交互上限写的是「a few minutes of continuous interaction」，把一次会话的长度预期放在几分钟这一档 13。

落到采购与验收上，有几件事现在就能核。 区域只有美国与欧盟；预置吞吐要联系销售开通，没有自助入口；自定义头像要白名单，预置头像可以直接用；视频输出按产出 token 计费，只在数字人说话时产生；音视频输出带 SynthID 水印。手上只有 AI Studio 的 API key 的话，这次 GA 改变的是同一家公司在另一条渠道上卖的东西，你能调用的能力没有变。

最后说清楚这一期的边界。 官方没有拿到中国区或其它地区的可用性说明，只写了美国与欧盟三个区域；自定义头像的白名单条件、审批时长与数量上限，两份官方件都只写了「要经过白名单与验证」，没有给出具体口径；企业侧的 avatar 配置页里也找不到 allowlist 这个词，白名单只出现在博客与销售流程那句话里。预置头像的 API 手册里给的例子是 avatar_name 写「Ben」、声音写「Puck」，可用清单官方没有公开。截至核验时点，Google Workspace 博客没有相关条目，Google 官方频道在 YouTube 上也没有这次 GA 的独立发布视频，开发者论坛在该时段没有关于数字人视频输出的讨论帖。这些都是这一期核不出来的部分。