Gemini 3.8 Live Avatar: KI-Kundendienst mit Gesicht in 97 Sprachen

Google hat seinem Speech-to-Speech-Modell ein lippensynchrones Videogesicht in Echtzeit gegeben und es zuerst an Service-Schalter und Verkaufsräume verkauft. Jedes Einzelbild trägt ein SynthID-Wasserzeichen; kein einziges Launch-Dokument nennt einen Preis für das Gesicht.

Seit zwei Jahrzehnten spricht der Kundendienst durch eine leere Box mit den Menschen: ein Telefonmenü, eine Chatblase, eine synthetische Stimme, hinter der nichts steht. Am 25. September hat Google Gemini 3.8 Live mit Live Avatar in Gemini Enterprise allgemein verfügbar gemacht, und das Produkt ist der unverhohlene Versuch, diese Box mit einem Gesicht zu füllen. Der Avatar spricht, bewegt die Lippen synchron zu seinen Worten, zeigt Mimik und redet weiter, während er im Hintergrund Informationen nachschlägt. Er beherrscht 97 Sprachen und wechselt mitten im Gespräch zwischen ihnen, sobald der Kunde es tut. Google positioniert ihn für Schadensmeldungen bei Versicherungen, den Check-in im Hotel und den Autokauf statt für Demo-Bühnen, und das verrät einiges darüber, wo der Konzern das Geld in der Sprach-KI vermutet.

Unter dem Gesicht arbeitet Gemini 3.8 Live, das native Speech-to-Speech-Modell, das Google in der Woche zuvor zusammen mit einer Variante namens Extended Thinking vorgestellt hatte. Speech-to-Speech bedeutet, dass das Modell Audio hört und in Audio antwortet, ohne das Gespräch zuerst in Text und dann wieder zurück zu verwandeln. Ältere Sprachbots waren als Staffellauf gebaut: Ein System transkribierte den Anrufer, ein zweites entschied, was zu sagen war, ein drittes las die Antwort vor. Jede Übergabe kostete Zeit und tilgte den Tonfall, weshalb diese Bots Menschen ins Wort fielen, Unterbrechungen überhörten und lange, mechanische Pausen hinterließen. Ein natives Modell schafft die Staffel ab und hält den Rhythmus der Sprache in einem einzigen System.

Live Avatar ergänzt diese Schleife um eine gestreamte Videoebene. Von Video-Overlay-Verfahren, bei denen ein Gesicht erst animiert wird, wenn das Audio bereits existiert, unterscheidet es sich dadurch, dass Audio und Video im selben Live-Inferenzpfad entstehen statt in aufeinanderfolgenden Schritten. Genau diese Kopplung hält die Latenz niedrig genug für ein natürliches Hin und Her, und sie sorgt dafür, dass die Lippen auf den Silben landen, statt ihnen hinterherzulaufen. Während des Gesprächs liest das Modell außerdem Live-Kamerabilder und geteilte Bildschirme mit und kann Elemente auf dem Bildschirm des Kunden hervorheben. Ein Anrufer kann ein Problem also zeigen, statt es nur zu beschreiben, und der Agent kann umgekehrt auf die Lösung deuten.

Das Produkt kommt nicht aus dem Nichts. Google hatte Live Avatar erstmals auf der Google Cloud Next 2026 als Vorschau gezeigt, und die Live-Reihe selbst reicht bis 2024 zurück, als Gemini Live als Sprachmodus auf Smartphones startete und die Multimodal Live API im Dezember jenes Jahres zusammen mit Gemini 2.0 für Entwickler geöffnet wurde. Jede Version trieb dieselbe Idee ein Stück weiter: weniger Sprecherwechsel, die sich wie Sprecherwechsel anfühlen, weniger Pausen, die die Maschine verraten. Der Beitrag für Endverbraucher, der den Avatar vorstellte, erschien am 24. September, unterzeichnet von Shuo-yiin Chang (Research Scientist) und CJ Zheng (Software Engineer) im Namen des Gemini Audio Team. Die allgemeine Verfügbarkeit für Unternehmen folgte einen Tag später im Blog von Google Cloud, was deutlich macht, von welchem Publikum Google das Geld erwartet.

Für den Einsatz im Kundenservice zählt das Gesicht weniger als das, was dahinter geschieht. Gemini 3.8 Live führt Tool- und API-Aufrufe asynchron aus: Es bestätigt die Anfrage, hält das Gespräch am Laufen und ruft im Hintergrund eine Bestellung ab, prüft eine Police oder fragt den Lagerbestand ab. Laut Google fängt sich das Modell nach Unterbrechungen, ohne den Kontext oder die laufende Backend-Transaktion zu verlieren. Genau dieser Fehler schickt frustrierte Anrufer am häufigsten an den Anfang eines Telefonmenüs zurück. Der Unterschied wird leicht unterschätzt. Ein Bot, der sechs Sekunden verstummt, während eine Datenbank antwortet, wirkt kaputt; einer, der sagt, dass er nachsieht, und dabei weiterredet, wirkt wie ein Sachbearbeiter.

Googles Vorzeigebeispiel ist eine Schadensmeldung bei einer Versicherung. Der Kunde richtet die Handykamera auf den Schaden und schildert ihn, der Agent füllt währenddessen die Schadensakte aus, und ein Team von Hintergrund-Agenten, gebaut mit Googles Agent Development Kit, prüft die Police und stellt die Unterlagen zusammen, die ein Schadensregulierer brauchen wird. Der Code dieses Agententeams ist in den Launch-Materialien als Open-Source-Beispiel verlinkt, ein Zeichen dafür, dass Google die Architektur ebenso kopiert sehen will wie das Gesicht. Das zweite Beispiel des Konzerns ist alltäglicher: ein Hotelgast beim Check-in. Beide beschreiben dasselbe Design. Der Avatar ist das Frontend eines Arbeitsablaufs, kein sprechender Kopf, der ein Skript abliest.

Der Umgang mit Sprachen ist die zweite Säule. Die Erkennung erfolgt automatisch, und nach Angaben von Google kann der Avatar innerhalb derselben Sitzung zwischen seinen 97 Sprachen wechseln, ohne dass die Videoqualität leidet oder visuelle Abweichungen entstehen; die Lippenbewegungen passen sich der neuen Sprache an, statt die Mundformen der alten beizubehalten. Der Wechsel erfolgt ohne Übergabe, ohne Neuladen des Systems und ohne spürbare Pause. In Märkten, in denen Kunden innerhalb eines einzigen Anrufs zwischen zwei oder drei Sprachen wechseln, wie es an den Support-Hotlines in Indien, Nigeria oder auf den Philippinen Alltag ist, entscheidet das darüber, ob ein System brauchbar ist oder die Menschen zwingt, erst in einem Menü eine Sprache auszuwählen, bevor sie überhaupt erklären können, warum sie anrufen.

Equal AI, ein Unternehmen, das in Indien einen persönlichen KI-Assistenten entwickelt, liefert das deutlichste Bild der Größenordnung, auch wenn sich seine Zahlen auf das Sprachmodell und nicht auf den Avatar beziehen. Nach eigenen Angaben wickelt das Unternehmen bereits mehr als eine Million Live-Anrufe pro Tag in neun indischen Sprachen ab, und sein Vorstandschef Akhilesh Damaraju schreibt Gemini 3.8 Live eine bessere Handhabung von Unterbrechungen, zuverlässigere mehrsprachige Gespräche und stabilere Tool-Aufrufe zu. Ein solches Volumen wäre mit menschlichen Mitarbeitern bei gleicher Erreichbarkeit und Schichtabdeckung wirtschaftlich nicht darstellbar. Die Konstruktionsannahme hinter einem solchen Einsatz ist kein Machbarkeitsnachweis. Sie heißt Durchsatz, und bei diesem Volumen summiert sich jede Sekunde, um die ein Gesprächswechsel kürzer wird.

Die übrigen Namen beim Start stehen für ganz unterschiedliche Enden des Marktes. Cox Automotive hat für Autotrader einen dialogfähigen Avatar gebaut, dem Kaufinteressierte in eigenen Worten beschreiben können, welches Auto sie suchen; er hebt passende Treffer auf dem Bildschirm hervor und ruft Werkzeuge für Suche, Vergleich und Finanzierung auf. Marianne Johnson, Chief Product Officer von Cox Automotive, beschreibt ihn als Ersatz für Filter und Menüs. Salesforce erklärt, sein Team AI Research arbeite mit Google daran, Gemini 3.8 Live mit Agentforce zu verbinden, der hauseigenen Agentenplattform für den Kundenservice, und Bob Van Osten, Vice President of Product für Agentforce, beschreibt die Zusammenarbeit als Suche nach neuen Wegen, einen Servicefall vom ersten Kontakt bis zur Lösung zu führen. Specs, das einen eigenen KI-Assistenten entwickelt, verweist über den Softwareingenieur Eric Walsh auf die verbesserte Sprachaktivitätserkennung und die niedrigere Latenz, die das Unternehmen in Tests gemessen hat.

Jede Sekunde generierten Audios und Videos trägt ein SynthID-Wasserzeichen. Das System, das Google DeepMind 2023 für Bilder eingeführt und später auf Text, Audio und Video ausgeweitet hat, bettet ein Signal ein, das Menschen weder sehen noch hören, Software aber erkennen kann. Google legt es so aus, dass es gängige Umwandlungen wie Kompression und Neukodierung übersteht; bei einem Clip, der aus einem Supportgespräch exportiert und anderswo veröffentlicht wird, lässt sich die Herkunft also weiterhin prüfen. Es ist die konkreteste Sicherheitszusage des Starts, und sie gilt für jeden Avatar, ob vorgefertigt oder individuell erstellt. Die zweite Schutzvorkehrung ist prozedural: Individuelle Avatare liegen hinter einer Unternehmens-Allowlist und einem separaten Prüfverfahren. Das ist Googles Antwort auf die naheliegende Sorge, dass ein einziges Foto und eine Stimmprobe genügen könnten, um einen realen Menschen zu klonen.

Das Wasserzeichen kommt zudem zu einem günstigen Zeitpunkt für das Europageschäft. Live Avatar wird mit Endpunkten in den Vereinigten Staaten und in der Europäischen Union ausgeliefert, und der AI Act der EU enthält Transparenzvorschriften, die ab August 2026 gelten: Menschen müssen erfahren, wenn sie es mit einem KI-System zu tun haben, und synthetisches Audio und Video muss maschinenlesbar gekennzeichnet sein. SynthID deckt die zweite Pflicht ab. Die erste liegt bei demjenigen, der den Avatar einsetzt, denn ein Wasserzeichen, das niemand sehen kann, verrät einem Anrufer nicht, dass das freundliche Gesicht auf dem Bildschirm generiert ist. Die Kennzeichnung kann Google liefern; den Hinweis muss die Bank, der Versicherer oder die Hotelkette geben, die das Gesicht vor die eigenen Kunden stellt.

Was der Start verschweigt, ist der Preis. Keine der beiden Ankündigungen nennt eine Zahl für die Avatar-Ebene; der Cloud-Beitrag verweist auf Googles allgemeine Preisseite für generative KI und auf bereitgestellten Durchsatz (Provisioned Throughput), und sowohl reservierte Kapazität als auch individuelle Avatare laufen über den Vertrieb. Organisationen können aus einer kuratierten Bibliothek vorgefertigter Gesichter wählen oder ein eigenes aus einem einzigen Referenzfoto, einer Audioprobe und einer Reihe von Systemanweisungen erstellen, doch dieser individuelle Weg ist zugangsbeschränkt und keine Selbstbedienung. Extended Thinking für das Live-Modell bleibt in einer privaten Vorschau, was seine Denktiefe im Vergleich zu Googles anderen Gemini-Modellen vorerst begrenzt. Latenzwerte und Obergrenzen für gleichzeitige Sitzungen sind nicht veröffentlicht. Das eingeschränkte Profil passt dazu, wie Google Unternehmensprodukte stufenweise einführt, mit Preisen und Kapazitäten, die verhandelt statt ausgeschrieben werden.

Der Avatar landet außerdem in einer Kategorie, die es bereits gibt. Unternehmen wie Synthesia, HeyGen und D-ID haben Geschäftsmodelle auf generierten Moderatoren aufgebaut, vor allem für Schulungen, Marketing und lokalisierte Videos, die vorab gerendert werden statt live. Googles Angebot unterscheidet sich in einem Punkt: Das Gesicht hängt an demselben Modell, das zuhört, schlussfolgert und die Werkzeuge aufruft, und zwar in der Konsole, in der Unternehmen ihre Agenten ohnehin bauen. Es steht neben einer breiteren Familie von Audiomodellen, zu der Gemini 3.5 Transcribe, Gemini 3.5 Live Translate und zwei Text-to-Speech-Varianten gehören, Gemini 3.8 Flash TTS und Gemini 3.8 Flash-Lite TTS. Für ein Unternehmen, das bereits Gemini-Agenten betreibt, wird ein Gesicht damit zur Konfigurationsfrage statt zu einem separaten Vertrag mit einem weiteren Anbieter, und genau auf diese Bündelung werden die Spezialisten eine Antwort finden müssen.

Einige offene Fragen sprechen die Launch-Materialien nicht an. Ein Gesicht weckt Erwartungen, die eine Stimme nicht weckt: Anrufer lesen Mimik, und ein Avatar, der lächelt, während er eine Schadensmeldung ablehnt, kann schlechter ankommen als eine neutrale Stimme mit derselben Antwort. Auch die Bandbreite spielt eine Rolle, denn ein streamender Video-Agent verlangt der Verbindung des Kunden mehr ab als eine Telefonleitung, und viele der Märkte, in denen mehrsprachiger Support am wertvollsten ist, sind zugleich jene, in denen mobile Daten am teuersten sind. Nichts davon lässt sich an einem Launch-Beitrag messen. Es wird sich in den Zufriedenheits- und Abschlussquoten der ersten großen Einsätze zeigen, oder eben nicht.

Gemini 3.8 Live mit Live Avatar ist ab sofort in der Gemini-Enterprise-Konsole und über die Gemini Live API verfügbar, mit dem Agent Development Kit als Weg für Entwickler, die streamende Agenten bauen. Für Extended Thinking gibt es über die aktuelle private Vorschaugruppe hinaus keinen veröffentlichten Zeitplan. Die Unternehmen, die es einsetzen, werden eine Frage beantworten, die die Technik selbst offenlässt: ob das Entfernen des visuellen Signals, das eine automatisierte Interaktion kennzeichnet, die Erfahrung der Menschen am anderen Ende verbessert oder den letzten ehrlichen Hinweis darauf beseitigt, dass eine solche Interaktion überhaupt stattfindet.

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