Google 在 2026 年 9 月 24 日把 Gemini 3.8 Live with Live Avatar 推上 Gemini Enterprise 正式版：AI 對話時會有一張自己的臉，即時做唇形同步、露出表情，支援 97 種語言並能在同一通對話中無縫切換語言，輸出全面帶上不可見的 SynthID 浮水印。同一天，Google 也讓 Gemini 在美國 Pixel 11 上開始代替使用者打電話：自己撥號、聽語音選單、等客服，還直接跟商家真人對談。
把這兩件事放在一起看，訊號很清楚：語音 AI 的競爭已經從「聽得懂、答得快」，推進到「有沒有臉」和「敢不敢代替你出面講話」。前者是體驗問題，後者是信任與責任問題，而 Google 這次兩邊都先押在企業客戶與單一市場上試水溫。
30 秒掌握
| 項目 | 內容 |
|---|---|
| 宣布日期 | 2026 年 9 月 24 日（Live Avatar 同日登上 Gemini Enterprise 正式版） |
| 主角一 | Gemini 3.8 Live with Live Avatar：即時虛擬人物，唇形同步＋表情＋螢幕畫面理解 |
| 主角二 | Call for Me：Gemini 代使用者撥打電話給在地商家（Pixel 11、美國早期測試） |
| 語言 | Live Avatar 支援 97 種語言，可在對話中自動偵測並切換 |
| 底層模型 | Gemini 3.8 Live／Gemini 3.8 Live Extended Thinking（約一週前先發表） |
| 可用對象 | Live Avatar：Gemini Enterprise 企業客戶（美國、歐盟端點）；Call for Me：美國 Pixel 11 付費訂戶＋公測 |
| 安全機制 | 影音皆嵌入 SynthID 不可見浮水印；企業自訂虛擬人物需通過白名單驗證 |
| 台灣現況 | 模型 API 與 AI Studio 可用（支援繁體中文），Live Avatar 與 Call for Me 尚未在台灣開放 |
Live Avatar：AI 會講話不夠，嘴型還要對得上
Live Avatar 做的事，技術上不難描述、但體驗上很難假裝：使用者講話的同時，畫面裡的虛擬人物會即時唇形同步（lip-sync），有頭部動態與自然表情，而且能在 97 種語言之間切換——Google 示範的影片裡，同一個虛擬人物先用英文講、再切日文，嘴型兩種語言都對得上，官方說法是「不會降低影像保真度、也不會產生視覺漂移」。
除了說話，它還有兩個比較容易被忽略的能力：
- 看得懂你給它看的畫面。 能同時處理鏡頭影像與螢幕分享，一邊對話一邊在畫面上標示重點，這讓它更像「線上一對一服務窗口」而不是聊天機器人。
- 背景做事，嘴巴不停。 透過非同步工具呼叫（asynchronous tool execution），模型可以在對話不中斷的情況下於背景查訂單、查庫存、查庫存飯店入住資訊，前景繼續講話。這一點是「像不像人」的關鍵——真人客服不會因為要查資料就靜音 20 秒。
微軟的合作夥伴名單也透露了用途：Agora、LiveKit、Pipecat、Vercel、Salesforce（Agentforce）以及 Google 自家的 Agent Development Kit（ADK）都在整合名單裡，方向就是客服、銷售、線上諮詢這類需要「有人面對你」的情境。
真正的底座：Gemini 3.8 Live 這個模型
Live Avatar 之所以能長出臉，前提是 Gemini 3.8 Live 這個模型本身。Google 在 9 月中旬先發表它（含 Extended Thinking 版本），Verge 的說法是「大約一週前」。幾個開發者會用到的規格：
| 規格項目 | 內容 |
|---|---|
| 架構 | 原生 audio-to-audio，不經過傳統「語音轉文字→模型→文字轉語音」的轉接 |
| 音訊 | 輸入 16-bit PCM／16kHz，輸出 24kHz |
| 視覺輸入 | 最高每秒 1 幀（1 fps）JPEG |
| Token 上限 | 輸入 131,072、輸出 65,536 |
| API 名稱 | gemini-3.8-live、gemini-3.8-live-extended-thinking |
| 傳輸方式 | WebSocket 雙向串流（BidiGenerateContent 端點），不是 WebRTC |
| Extended Thinking | 非同步推理：處理多步驟問題或呼叫工具時在背景想，前景用語音說「我確認一下」補空白 |
| 取得管道 | Gemini API、Google AI Studio（含免費額度）、Search Live、Gemini Live App、Google Workspace |
其中「Extended Thinking 用講話填補思考時間」這個設計，比規格表上的任何數字都重要。多數語音助理的破功點不是答錯，而是答話前那段沉默；把推理挪到背景、用口語敘述撐住對話節奏，是目前語音 agent 最實際的解法。
第三方整理的 Gemini 3.8 Live API 參考價如下（實際計價請以官方價目表為準）：
| 輸入／輸出類型 | 每 100 萬 token | 換算約每分鐘 |
|---|---|---|
| 音訊輸入 | US$3.00 | US$0.005 |
| 音訊輸出 | US$12.00 | US$0.018 |
| 文字輸入 | US$0.75 | — |
| 文字輸出 | US$4.50 | — |
| 影像／影片輸入 | US$1.00 | US$0.002 |
| Thinking token | 以輸出 token 計費 | — |
不只會動嘴：SynthID 與白名單
AI 有臉、有聲音、還能替你講電話，最直接的副作用就是身分冒用。Google 這次把防線放在兩處：
- SynthID 不可見浮水印。 生成的音訊與影片串流都會嵌入浮水印，官方說法即使經過剪輯或壓縮仍可被偵測工具識別。這是目前對付「AI 語音詐騙」最被廣泛採用的技術路線，Google 也已把 SynthID 擴展到 C2PA 內容憑證。
- 虛擬人物的來源管制。 企業可以選用經過預先審核的虛擬人物庫，也可以用自己的參考照片與音訊樣本建立專屬人物，但後者需要走企業白名單與身分驗證流程，等於把「長得像誰」的責任壓回企業端。
值得注意的是，這些機制的存在本身就說明了 Google 的判斷：能露臉的 AI，風險等級比只有聲音的 AI 高一個檔次。 這也是為什麼 Live Avatar 首發不是給一般消費者，而是給有合規壓力的企業客戶。
Call for Me：不是幫你等電話，是直接跟真人談
同一天在美國上線的 Call for Me，性質完全不同。它不是「幫你等客服」這種半自動功能，而是Gemini 直接代替你打完整通電話：
- 使用者在 Pixel 11 的 Gemini App 裡說「幫我打給某某餐廳訂位、要戶外座位」。
- Gemini 自己撥號、自我介紹，通過語音選單（IVR），等候排隊。
- 接通真人後，Gemini 主動表明自己是 AI 助理、正在代表使用者通話。
- 使用者手機上顯示即時逐字稿，隨時可以點下去接手對話。
跟 Google 過去幾年的通話輔助功能相比，差異在「誰開口」：
| 功能 | 做什麼 | 使用者要做的事 |
|---|---|---|
| Hold for Me | 代你在線上等，真人接起來再通知你 | 仍要自己撥、自己講 |
| Direct My Call | 把語音選單轉成文字按鈕 | 自己選按、自己講 |
| Call Screen | 代接陌生來電、過濾騷擾 | 主要用於擋電話 |
| Call for Me | 全程代打，含與真人對話 | 只需下指令、看逐字稿、必要時接手 |
限制也很硬：目前僅限美國、Pixel 11、Gemini 付費訂戶，且要加入 Phone by Google 公開測試，現階段以英語為主。台灣使用者短期內用不到。
爭議：這是「代表你」還是「冒充你」？
Call for Me 的細節裡有兩個值得留意的設計。第一，通話時顯示的是使用者的真實電話號碼，並使用 AI 生成的語音——有評論直接形容，這更接近「AI 冒充使用者」而不是單純的語音助理。第二，電話另一端是真人商家員工，他們得花時間跟一個 AI 對話；對小店而言，這是新的營運負擔。
更耐人尋味的是對照組。Verge 的報導提到 Meta 也在為 Muse AI agent 開發類似的自動打電話功能——但據 404 Media 報導，那些電話可能是由客服中心裡的真人代打的。這個對比點出的是整個產業的落差：發表會上流暢的 AI 通話示範，跟「真的沒有真人插手」之間，往往還有一段距離。Google 這次把逐字稿、接手按鈕、主動表明 AI 身分全部做進流程，本質上是在為這段落差預先建立信任機制。
台灣使用者什麼時候能用？
| 功能 | 目前狀態 | 台灣可用性 |
|---|---|---|
| Gemini 3.8 Live 模型（API、AI Studio） | 已開放，開發者文件列出繁體中文支援 | 可用 |
| Live Avatar | Gemini Enterprise 正式版，僅美國與歐盟雲端端點 | 尚未開放 |
| Call for Me | 美國 Pixel 11、付費訂戶＋公測，以英語為主 | 尚未開放 |
| Gemini Enterprise | 企業方案（第三方報導的席位價約 US$21–30／月起，超額另計） | 需洽 Google 業務，端點限制同上 |
Google 對外只說 Call for Me 是「早期實驗」，沒有給其他市場的時程。以過去 Gemini Live、Siri AI 的節奏推估，非美國市場通常要等一季到一年，且往往取決於當地的電信與隱私法規。
三個值得記下來的訊號
- 語音 AI 的門檻已經從「準不準」變成「斷不斷」。 唇形同步、填話、背景工具呼叫，都是為了讓通話不出現空白；誰先把延遲與節奏做好，誰就能用在真正的商務對話上。
- 企業先、消費者後。 Live Avatar 與 Gemini Enterprise 綁在一起，說明臉孔與聲音的冒用風險，目前只有願意簽合約、能配合白名單驗證的企業才有本錢承擔。
- 「可驗證的 AI」正在變成標準配備。 逐字稿、隨時接手、主動表明 AI 身分、SynthID 浮水印——這四件事過去是加分項，未來大概會是 AI 代打電話能不能落地的入場券，也會是各國監管最可能直接引用的設計。
站內延伸閱讀
- Gemini 3.7 Flash 正式發布：比 3.6 便宜一半、FrontierCode 43.6% 創新高 — 從 3.7 Flash 到 3.8 Live 只隔一個月，Google 的模型發表節奏已經到了「月更」等級。
- Anthropic 大升級 Claude 語音模式！Opus 4.8 和 Sonnet 5 驅動，還能直接操控你的 Gmail — 同一條語音 agent 戰線上的對手版本，可以對照兩家對「聲音＋工具呼叫」的設計哲學。
- Google Vids 大升級！Gemini Omni 多模態影片生成 + 個人 AI 化身 — 同樣是「AI 分身」，影片生成走的是預錄路線，Live Avatar 走的是即時對話路線，兩者成本結構完全不同。
- AI Agent 灌爆公共服務：「代理人泛濫」84 案例曝光 — 當 AI 開始代替人類對外發言、申訴、打電話，接收端要付出的成本會是下一個爭議點。
資料來源
- Google 官方部落格：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-with-live-avatar/（Introducing Gemini 3.8 Live with Live Avatar，2026-09-24）
- Google Cloud 部落格：https://cloud.google.com/blog/products/ai-machine-learning/gemini-3-8-live-with-live-avatar-is-now-generally-available（GA、區域端點與語言支援）
- The Verge：https://www.theverge.com/tech/1000328/google-gemini-ai-live-avatar-face（Live Avatar 僅對 Gemini Enterprise 開放、97 種語言、SynthID）
- The Verge：https://www.theverge.com/ai-artificial-intelligence/1000116/google-gemini-business-phone-calls（Call for Me 適用範圍、即時逐字稿與接手、Meta Muse 對照）
- Gemini API 開發者文件：https://ai.google.dev/gemini-api/docs（
gemini-3.8-live模型名稱、串流規格與支援語言） - Android Authority／Android Central：Pixel 11 的 Call for Me 功能細節與取得條件
- Apidog 等第三方整理：Gemini 3.8 Live API 計價與免費額度（非官方數字，僅供試算參考）