Gemini 3.8 Live Avatar donne un visage au service client IA en 97 langues

Google a doté son modèle de parole à parole d’un visage vidéo en temps réel, synchronisé sur les lèvres, et l’a d’abord vendu aux guichets du service client et aux espaces de vente. Chaque image porte un filigrane SynthID ; aucun document de lancement n’attribue de prix à ce visage.

Depuis deux décennies, le service client s’adresse aux gens à travers une boîte vide : un menu téléphonique, une bulle de discussion, une voix de synthèse sans rien derrière. Le 25 septembre, Google a mis Gemini 3.8 Live avec Live Avatar en disponibilité générale dans Gemini Enterprise, et le produit se présente comme une tentative directe de remplir cette boîte avec un visage. L’avatar parle, bouge les lèvres au rythme de ses mots, affiche des expressions et continue de converser pendant qu’il cherche des informations en arrière-plan. Il fonctionne dans 97 langues et passe de l’une à l’autre en plein appel dès que le client le fait. Google le destine aux déclarations de sinistre, aux arrivées à l’hôtel et à l’achat de voitures plutôt qu’aux scènes de démonstration, ce qui en dit long sur l’endroit où l’entreprise situe l’argent de l’IA vocale.

Sous ce visage se trouve Gemini 3.8 Live, le modèle natif de parole à parole (speech-to-speech) que Google a annoncé la semaine précédente, accompagné d’une variante Extended Thinking. Parole à parole signifie que le modèle entend de l’audio et répond en audio, sans transformer d’abord la conversation en texte pour la reconvertir ensuite en voix. Les anciens robots vocaux fonctionnaient comme une course de relais : un système transcrivait l’appelant, un deuxième décidait quoi répondre, un troisième lisait la réponse à voix haute. Chaque passage de témoin ajoutait du délai et effaçait le ton, d’où ces robots qui coupaient la parole, ignoraient les interruptions et laissaient de longs silences mécaniques. Un modèle natif supprime le relais et conserve le rythme de la parole à l’intérieur d’un seul système.

Live Avatar ajoute une couche vidéo diffusée en continu à cette boucle. Ce qui le distingue des techniques de superposition vidéo, où un visage est animé une fois l’audio déjà produit, c’est que l’audio et la vidéo sont générés dans le même chemin d’inférence en direct, et non comme des étapes successives. Ce couplage maintient la latence assez basse pour permettre un échange naturel, et c’est pour cette raison que les lèvres tombent sur les syllabes au lieu de les suivre avec un temps de retard. Le modèle lit aussi les flux de caméra en direct et les partages d’écran pendant qu’il parle, et il peut mettre en surbrillance des éléments sur l’écran du client : celui-ci peut donc montrer un problème autant que le décrire, et l’agent peut à son tour lui désigner la réponse.

Le produit n’est pas sorti de nulle part. Google avait présenté Live Avatar en avant-première lors de Google Cloud Next 2026, et la gamme Live remonte à 2024, lorsque Gemini Live est arrivé comme mode vocal sur les téléphones et que la Multimodal Live API s’est ouverte aux développeurs aux côtés de Gemini 2.0, en décembre de cette année-là. Chaque version a poussé la même idée un peu plus loin : moins de tours de parole qui ressemblent à des tours de parole, moins de pauses qui trahissent la machine. Le billet grand public présentant l’avatar a été mis en ligne le 24 septembre, signé au nom de l’équipe Gemini Audio par Shuo-yiin Chang, du côté de la recherche scientifique, et CJ Zheng, du côté de l’ingénierie logicielle. La disponibilité générale pour les entreprises a suivi un jour plus tard sur le blog Google Cloud, ce qui indique clairement quel public Google compte faire payer.

Dans un déploiement de service client, le visage compte moins que ce qui se passe derrière. Gemini 3.8 Live exécute les appels d’outils et d’API de manière asynchrone : il accuse réception de la demande, poursuit la conversation et, en arrière-plan, récupère une commande, vérifie une police d’assurance ou interroge les stocks. Selon Google, il se remet des interruptions sans perdre le contexte ni la transaction en cours côté serveur, précisément la défaillance qui renvoie le plus souvent un appelant excédé au début d’un menu téléphonique. La différence est facile à sous-estimer. Un robot qui se tait six secondes pendant qu’une base de données répond paraît en panne ; un robot qui annonce qu’il vérifie et continue de parler ressemble à un employé derrière son guichet.

La vitrine choisie par Google est une déclaration de sinistre. Le client pointe la caméra de son téléphone vers les dégâts et les commente, l’agent remplit le dossier de sinistre au fil de ses paroles, et une équipe d’agents en arrière-plan, construite avec l’Agent Development Kit de Google, vérifie la police et assemble le dossier dont l’expert aura besoin. Le code de cette équipe d’agents figure dans les documents de lancement sous forme d’exemple open source, signe que Google veut que les développeurs copient l’architecture autant que le visage. L’autre exemple de l’entreprise est plus ordinaire : l’enregistrement d’un client à l’hôtel. Les deux décrivent la même conception. L’avatar est la façade d’un processus métier, pas une tête parlante qui lit un script.

La gestion des langues constitue le second pilier. La détection est automatique, et Google affirme que l’avatar peut circuler entre ses 97 langues au sein d’une même session sans dégrader la qualité vidéo ni introduire de dérive visuelle ; le mouvement des lèvres s’adapte à la nouvelle langue au lieu de conserver les formes de bouche de l’ancienne. Le changement se fait sans transfert, sans rechargement du système et sans pause perceptible. Sur les marchés où les clients alternent entre deux ou trois langues au cours d’un même appel, quotidien des lignes d’assistance en Inde, au Nigeria ou aux Philippines, c’est ce qui sépare un système utilisable d’un système qui oblige les gens à choisir une langue dans un menu avant même de pouvoir expliquer pourquoi ils appellent.

Equal AI, une entreprise qui développe un assistant personnel d’IA en Inde, donne l’image la plus nette de l’échelle, même si ses chiffres concernent le modèle vocal et non l’avatar. La société affirme traiter déjà plus d’un million d’appels en direct par jour dans neuf langues indiennes, et son directeur général, Akhilesh Damaraju, attribue à Gemini 3.8 Live une meilleure gestion des interruptions, des conversations multilingues plus fiables et des appels d’outils plus stables. Un tel volume serait économiquement irréaliste avec des agents humains offrant la même disponibilité et la même couverture horaire. L’hypothèse qui sous-tend un déploiement de ce type n’est pas la preuve de concept. C’est le débit, et à ce volume chaque seconde gagnée sur un tour de parole finit par compter.

Les autres noms cités au lancement visent des extrémités différentes du marché. Cox Automotive a construit pour Autotrader un avatar conversationnel qui permet aux acheteurs de décrire avec leurs propres mots la voiture qu’ils recherchent, met en évidence les modèles correspondants à l’écran et appelle des outils de recherche, de comparaison et de financement ; Marianne Johnson, directrice produit de Cox Automotive, le présente comme un remplaçant des filtres et des menus. Salesforce indique que son équipe AI Research travaille avec Google pour combiner Gemini 3.8 Live et Agentforce, sa plateforme d’agents pour le service client, et Bob Van Osten, vice-président produit d’Agentforce, décrit cette collaboration comme la recherche de nouvelles façons de mener un dossier de service du premier contact jusqu’à sa résolution. Specs, qui développe son propre assistant d’IA, met en avant, par la voix de son ingénieur logiciel Eric Walsh, la détection d’activité vocale améliorée et la latence plus faible mesurées lors de ses tests.

Chaque seconde d’audio et de vidéo générée porte un filigrane SynthID. Ce système, lancé par Google DeepMind en 2023 pour les images puis étendu au texte, à l’audio et à la vidéo, intègre un signal que l’humain ne peut ni voir ni entendre, mais qu’un logiciel sait détecter. Google le conçoit pour résister aux transformations courantes comme la compression et le réencodage, de sorte qu’un extrait exporté d’un appel au service client puis publié ailleurs puisse encore être vérifié quant à son origine. C’est l’engagement de sécurité le plus concret du lancement, et il s’applique à tous les avatars, prédéfinis ou personnalisés. Le second garde-fou est d’ordre procédural : les avatars personnalisés sont réservés aux entreprises inscrites sur une liste d’autorisation et soumis à un processus de vérification distinct, ce qui constitue la réponse de Google à la crainte évidente qu’une seule photo et un échantillon de voix suffisent à cloner une personne réelle.

Le filigrane arrive aussi à un moment opportun pour le versant européen de l’activité. Live Avatar est proposé avec des points d’accès aux États-Unis et dans l’Union européenne, et l’AI Act européen comporte des règles de transparence, applicables à partir d’août 2026, qui imposent d’informer les personnes lorsqu’elles ont affaire à un système d’IA et exigent que l’audio et la vidéo synthétiques soient marqués de manière lisible par une machine. SynthID couvre la seconde obligation. La première incombe à celui qui déploie l’avatar, car un filigrane que personne ne voit ne dit rien à l’appelant sur le fait que le visage avenant à l’écran est généré. Google peut fournir le marquage ; l’information, elle, doit venir de la banque, de l’assureur ou de la chaîne hôtelière qui place ce visage face à ses clients.

Ce que le lancement passe sous silence, c’est le prix. Aucune des deux annonces n’avance de chiffre pour la couche avatar ; le billet Cloud renvoie à la page générale de tarification de l’IA générative de Google et au débit provisionné (provisioned throughput), et la capacité provisionnée comme les avatars personnalisés passent par un commercial. Les organisations peuvent choisir dans une bibliothèque sélectionnée de visages prédéfinis, ou créer le leur à partir d’une seule photo de référence, d’un échantillon audio et d’un ensemble d’instructions système, mais cette voie personnalisée reste soumise à autorisation et ne fonctionne pas en libre-service. Extended Thinking pour le modèle Live demeure en préversion privée, ce qui limite pour l’instant sa profondeur de raisonnement par rapport aux autres modèles Gemini de Google. Ni les chiffres de latence ni les limites de sessions simultanées ne sont publiés. Ce profil restreint correspond à la manière dont Google échelonne ses lancements en entreprise, avec des prix et des capacités négociés plutôt qu’affichés.

L’avatar arrive en outre dans une catégorie qui existe déjà. Des entreprises comme Synthesia, HeyGen et D-ID ont bâti leur activité sur des présentateurs générés, surtout pour la formation, le marketing et la vidéo localisée, rendue à l’avance plutôt qu’en direct. L’argument de Google diffère sur un point : le visage est rattaché au même modèle qui écoute, raisonne et appelle les outils, dans la console où les entreprises construisent déjà leurs agents. Il s’inscrit dans une famille plus large de modèles audio qui comprend Gemini 3.5 Transcribe, Gemini 3.5 Live Translate et deux variantes de synthèse vocale, Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS. Pour une entreprise qui fait déjà tourner des agents Gemini, ajouter un visage devient une option de configuration et non un contrat avec un fournisseur supplémentaire, et c’est ce regroupement qui constitue la menace concurrentielle à laquelle les spécialistes devront répondre.

Le matériel de lancement laisse plusieurs questions sans réponse. Un visage suscite des attentes qu’une voix ne suscite pas : les appelants lisent les expressions, et un avatar qui sourit en refusant une indemnisation risque d’être plus mal reçu qu’une voix neutre annonçant la même décision. La bande passante compte aussi, car un agent vidéo en streaming exige davantage de la connexion du client qu’une ligne téléphonique, et bon nombre des marchés où l’assistance multilingue a le plus de valeur sont aussi ceux où les données mobiles coûtent le plus cher. Rien de tout cela ne se mesure à partir d’un billet de lancement. Cela se verra, ou non, dans les taux de satisfaction et d’aboutissement des premiers grands déploiements.

Gemini 3.8 Live avec Live Avatar est disponible dès maintenant dans la console Gemini Enterprise et via la Gemini Live API, et l’Agent Development Kit sert de voie d’accès aux développeurs pour les agents en streaming. Extended Thinking n’a aucun calendrier publié au-delà de son groupe actuel de préversion privée. Les entreprises qui le déploieront répondront à une question que la technologie ne tranche pas : effacer le signal visuel qui trahit une interaction automatisée améliore-t-il l’expérience des personnes à l’autre bout du fil, ou supprime-t-il le dernier indice honnête qu’une telle interaction est en cours ?

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