Gemini 3.8 Live with Live Avatar：化身开口一分钟 37 美分，官方没测过它对嘴型准不准

2026 年 9 月 24 日，Google DeepMind 发布博客《Introducing Gemini 3.8 Live with Live Avatar》，同一天 Google Cloud 发出企业侧公告，宣布这项能力在 Gemini Enterprise 里正式可用12。两篇讲的是同一件事：一周前刚发布的实时对话模型 Gemini 3.8 Live3，现在多了一路持续生成的视频输出——一张会听、会看、会跟着说话动嘴的脸。

围着这件事，读者要判断的其实是四个问题：视频在什么时候生成、今天谁能用、钱怎么算、官方自己测了它什么。这批官方材料把四个问题都答了，只是颗粒度差得很远。

企业侧文档把 Live Avatar 写成 Gemini Live API 的一个输出模态。技术规格表里，输入是音频、图像/视频、文本三路，输出是会话音频和文本；打开化身之后，输出这一侧再加一路视频（mp4）4。输入音频的格式是 16 位 PCM、16kHz、小端，输出音频是同样格式的 24kHz，视频帧按每秒一帧传 JPEG4。

开关在配置层，不在模型层。请求里把 generation_config.response_modalities 设成 ["VIDEO"]，再在 avatar_config 里填一个预置化身名，或者直接塞一张 Base64 的参考图当人脸5。协议仍然是那条有状态 WebSocket，端点按区域划分，鉴权走 OAuth 2.0 bearer token5。模型卡把 Live Avatar 定义为 Gemini 3.8 Live 与 Gemini 3.8 Live Extended Thinking 的可选附加输出，与原生音频同属一版模型卡，底座是 Gemini 3 Pro6。

配置层这一点决定了它属于哪一类产品。化身的视频由会话里的开关打开、跟着对话回合断续产出，定价页也据此只在化身的说话时段计费7。它要做的是给对话界面配一张脸：模型说话时画面在动，聆听时画面静着。拿它去做预渲染的内容素材，形态上对不上。

官方把「异步工具调用」列为 Live Avatar 的卖点：模型在继续对话的同时，在后台触发工具调用、取回数据1。Google Cloud 的公告写得更具体一点——工具和 API 调用在后台执行，模型先确认请求、再接着聊，任务在后台完成2。

官方给的例子是保险理赔受理。摄像头对着受损的东西，用户边说话边展示，右侧的理赔笔记跟着往里填；后台另有一个 ADK 的 agent 团队在核保单、套受理规则、生成给定损员的材料包2。

「不中断」有一个反方向的机制，写在同一批文档里，做产品的人需要知道。文档说，当语音活动检测（voice activity detection，VAD）判定用户打断了模型，正在进行的生成会被取消并丢弃，只有已经发给客户端的信息留在会话历史里；服务器还会丢弃所有待处理的函数调用，并把被取消的调用 ID 回传8。后台工具调用和前台对话因此共享同一个被打断的风险：用户一句话插进来，排队中的调用就没了，要不要重放得由应用层自己决定。

可用范围写得很清楚：Live Avatar 在 Gemini Enterprise 里正式可用，走美国与欧盟端点，支持 provisioned throughput，配套企业合规与数据治理2。模型页给出的模型 ID 是 gemini-3.8-live，发布阶段 GA，发布日期 2026 年 9 月 24 日，支持区域是 us 和 eu 两个多区域9。同一个模型页上，thinking、batch 推理、上下文缓存、结构化输出、代码执行都不支持，支持的是函数调用、Google Search 接地和 provisioned throughput9。

两条限制值得单独记。Live Avatar 只在企业侧可用，自定义化身还要过企业 allowlist 与验证流程12；Live API 的模型清单里，GA 且支持化身的只有 gemini-3.8-live 这一个4。Gemini 3.8 Live Extended Thinking 仍停在 private preview，没有跟着这次一起开放2。

消费侧今天拿不到这一路。模型卡把 Gemini 3.8 Live 列进了 Gemini API 的分发渠道6，但面向开发者的 Gemini API 版 Live API 总览里，技术规格的输出模态只写了音频一项，用例和特性清单里也找不到化身10。

语言数是这批材料里最零散的一处。

客户侧的说法一并放在这里。Google 引了 Cox Automotive 为 Autotrader 做的购物助手（靠实时高亮屏幕加工具调用）、Equal AI 每天逾百万通电话覆盖九种印度语言，以及 Salesforce Agentforce 的表态2。这些是各家公司的说法，材料里没有配套的量化。

定价页把 Gemini 3.8 Live API 拆成六行，都是非全球端点、按百万 token 计价：输入文本 0.75 美元、输入视频与图像 1.00 美元、输入音频 3.00 美元、输出文本 4.50 美元、输出音频 12.00 美元、输出视频（化身）1.00 美元7。

关键在页脚的换算率：音频每秒 25 个 token，图像输入每张 258 个 token，化身视频输出每秒 6,192 个 token，并且只在化身出声时计费，静默聆听的时段不计7。

成本结构因此由一个变量决定：化身说了多久，而不是会话开了多久。一场十分钟的通话，如果化身有四分钟在说话，视频这一项大约 1.5 美元；另外六分钟它只是听着，不计费。

同一个页脚里还有第二条成本陷阱：会话上下文窗口按轮计费，一个「轮」是一次用户输入加模型的一次回应，每一轮都把上下文窗口里累积的全部 token 重新计费一遍，上限是配置的窗口大小7。会话越长，每一轮的账单越厚。

有一笔账算不出来，也记在这里：定价页的换算率只覆盖音频、图像和化身视频输出三项，没有给视频输入的每秒 token 数，所以开着摄像头那一侧的输入成本无法从公开数字折算。

横向参照可以看官方评测页引用的第三方测算：每输入音频小时的成本，Gemini 3.8 Live 是 0.84 美元，3.8 Live Extended Thinking 是 3.50 美元11。把化身视频加进总账之后，音频侧占的比例已经很小。

自定义化身不是上传一张照片就完事。配置页列出参考图的规格：推荐 PNG、RGB 色彩模式、最小 704×1280 像素的竖版、720p 以上、9:16 为默认（横版也支持）、文件小于 5 MB、不能有模糊和压缩伪影5。构图另有六条：半身像、头肩占画面 60% 以上、背景干净、正面平视、表情中性不露牙齿，以及不得使用未成年人或名人的图像5。音色可以配 30 个预置音色之一，也可以按一段 10 到 20 秒的样音在会话里复刻8。

硬边界写在模型卡里：Live Avatar「支持几分钟量级的连续交互，而不是数小时」；打开化身之后，最大输出从 64K token 降到 24K token，输入上限一直是 128K；知识截止日期是 2025 年 1 月69。

安全那一侧，官方给的是三件事：全部音视频输出带 SynthID 隐式水印12；自定义化身走企业 allowlist 与验证流程；前沿安全评估沿用 Gemini 3.7 Flash 的结论——那一版没有触及任何 Tracked 或 Critical 能力等级，官方据此判断 3.8 Live 系列也不会6。

然后是这批材料里最大的一个空缺。官方评测方法页（2026 年 9 月版）测了三件事，全在语音侧：ServiceNow 的 EVA-Bench 衡量多轮口语对话里的体验与准确率，Artificial Analysis 的评测覆盖语音到语音模型的推理质量、对话动态、生成时间与价格，Sierra 的 τ³-Banking 衡量智能体在银行流程里做多步工具调用11。摊在台上的数字是 3.8 Live Extended Thinking 的语音到语音指数 82.6、τ-Voice 68.6%、τ³-Banking 35.1%，3.8 Live 的 τ-Voice 30.1%11。

这份评测页里没有任何一项测量口型同步的精度、视频的保真度，也没有测量切换语言时画面是否漂移。而博客把这件事写成了卖点：「在 97 种语言之间无缝切换，不降低视频保真度，不引入视觉漂移」1。

语音侧的能力有第三方基准可查，视觉侧目前只有官方自己的一句话。

今天拿得到的是：一条能在会话进行中持续生成视频输出的实时对话链路，配一套企业侧的可用性承诺（GA、美国与欧盟端点、provisioned throughput，以及模型页列出的数据驻留、CMEK、VPC-SC、AXT 这些控件）29，一个把规格写清楚了的自定义化身入口，以及一套可以直接折算的成本结构。

要等的是任何一项关于画面的量化：口型同步的精度、端到端的延迟、切换语言时画面是否漂移。官方在这三项上给的都还是形容词。把这三项列进自己的测试清单，会比继续等基准更实际。