Gemini 3.8 Live Avatar pone cara a la IA de atención al cliente

Google ha puesto un rostro en vídeo, en tiempo real y con sincronización labial, a su modelo de voz a voz, y lo vende primero a los mostradores de atención al cliente y a los concesionarios. Cada fotograma lleva una marca de agua SynthID; ningún documento del lanzamiento le pone precio a ese rostro.

La atención al cliente lleva dos décadas hablando con la gente a través de una caja vacía: un menú telefónico, una burbuja de chat, una voz sintética sin nada detrás. El 25 de septiembre, Google lanzó en disponibilidad general Gemini 3.8 Live con Live Avatar dentro de Gemini Enterprise, y el producto es un intento directo de llenar esa caja con un rostro. El avatar habla, mueve los labios al compás de sus palabras, muestra expresiones y sigue conversando mientras busca información en segundo plano. Funciona en 97 idiomas y cambia de uno a otro en plena llamada cuando lo hace el cliente. Google lo orienta a los partes de seguros, al registro de entrada en hoteles y a la compra de coches, no a los escenarios de demostración, y eso dice bastante sobre dónde cree la compañía que está el dinero de la IA de voz.

Debajo del rostro está Gemini 3.8 Live, el modelo nativo de voz a voz que Google anunció la semana anterior junto con una variante Extended Thinking. Que sea de voz a voz significa que el modelo escucha audio y responde en audio sin convertir antes la conversación en texto y luego de vuelta. Los bots de voz anteriores se construían como una carrera de relevos: un sistema transcribía al cliente, un segundo decidía qué decir y un tercero leía la respuesta en voz alta. Cada traspaso añadía retraso y eliminaba el tono, y por eso aquellos bots pisaban a la gente, no detectaban las interrupciones y dejaban silencios largos y mecánicos. Un modelo nativo suprime esa cadena de relevos y mantiene el ritmo del habla dentro de un único sistema.

Live Avatar añade a ese circuito una capa de vídeo en streaming. Lo que lo distingue de las técnicas de superposición de vídeo, en las que un rostro se anima cuando el audio ya existe, es que audio y vídeo se generan en la misma ruta de inferencia en directo y no como pasos sucesivos. Ese acoplamiento es lo que mantiene la latencia lo bastante baja para una conversación natural, y es la razón por la que los labios caen sobre las sílabas en lugar de ir detrás de ellas. El modelo también interpreta la señal de la cámara en directo y las pantallas compartidas mientras habla, y puede resaltar elementos en la pantalla del cliente, de modo que quien llama puede enseñar un problema además de describirlo y el agente puede señalarle la respuesta.

El producto no ha surgido de la nada. Google presentó un primer adelanto de Live Avatar en Google Cloud Next 2026, y la línea Live se remonta a 2024, cuando Gemini Live llegó a los teléfonos como modo de voz y la Multimodal Live API se abrió a los desarrolladores junto a Gemini 2.0, en diciembre de ese año. Cada versión llevó la misma idea un poco más lejos: menos turnos de palabra que se perciben como turnos, menos pausas que delatan a la máquina. La publicación dirigida al consumidor que presentaba el avatar apareció el 24 de septiembre, firmada por Shuo-yiin Chang, de investigación científica, y CJ Zheng, de ingeniería de software, en nombre del Gemini Audio Team. La disponibilidad general para empresas llegó un día después en el blog de Google Cloud, lo que indica qué público espera Google que pague por él.

En un despliegue de atención al cliente, el rostro importa menos que lo que ocurre detrás. Gemini 3.8 Live ejecuta las llamadas a herramientas y a API de forma asíncrona: confirma la petición, mantiene la conversación y, en segundo plano, recupera un pedido, revisa una póliza o consulta el inventario. Google asegura que se recupera de las interrupciones sin perder el contexto ni la operación de backend que esté en curso, que es el fallo que con más frecuencia devuelve a un cliente frustrado al principio de un menú telefónico. Es una diferencia fácil de subestimar. Un bot que se queda callado seis segundos mientras responde una base de datos parece averiado; uno que dice que lo está comprobando y sigue hablando parece un empleado de ventanilla.

El ejemplo estrella de Google es un parte de seguro. El cliente apunta con la cámara del móvil a los daños y los va explicando, el agente rellena el expediente del siniestro mientras habla, y un equipo de agentes en segundo plano, construido con el Agent Development Kit de Google, comprueba la póliza y reúne la documentación que necesitará el perito. El código de ese equipo de agentes está enlazado desde el material de lanzamiento como ejemplo de código abierto, señal de que Google quiere que los desarrolladores copien la arquitectura tanto como el rostro. El otro ejemplo de la compañía es más cotidiano: un huésped que hace el registro de entrada en un hotel. Ambos describen el mismo diseño. El avatar es la parte visible de un flujo de trabajo, no una cabeza parlante que lee un guion.

La gestión de idiomas es el segundo pilar. La detección es automática, y Google afirma que el avatar puede moverse entre sus 97 idiomas dentro de la misma sesión sin perder calidad de vídeo ni introducir deriva visual, con un movimiento de labios que se adapta al nuevo idioma en vez de conservar las formas de boca del anterior. El cambio se produce sin traspaso a otro sistema, sin recarga y sin una pausa perceptible. En mercados donde los clientes alternan dos o tres idiomas en una sola llamada, que es la realidad diaria de las líneas de soporte en India, Nigeria o Filipinas, eso marca la diferencia entre un sistema utilizable y otro que obliga a elegir idioma en un menú antes de poder explicar el motivo de la llamada.

Equal AI, una empresa que desarrolla un asistente personal de IA en India, ofrece la imagen más clara de la escala, aunque sus cifras se refieren al modelo de voz y no al avatar. La compañía afirma que ya gestiona más de un millón de llamadas en directo al día en nueve idiomas indios, y su consejero delegado, Akhilesh Damaraju, atribuye a Gemini 3.8 Live una mejor gestión de las interrupciones, conversaciones multilingües más fiables y llamadas a herramientas más estables. Ese volumen sería económicamente inviable con agentes humanos que ofrecieran la misma disponibilidad y la misma cobertura horaria. La premisa de diseño de un despliegue así no es la prueba de concepto. Es el rendimiento, y a ese volumen cada segundo que se recorta de un turno de conversación acaba sumando.

Los demás nombres del lanzamiento apuntan a extremos distintos del mercado. Cox Automotive ha creado para Autotrader un avatar conversacional que permite a los compradores describir con sus propias palabras el coche que buscan, resalta en pantalla las coincidencias y llama a herramientas de búsqueda, comparación y financiación; Marianne Johnson, directora de producto de Cox Automotive, lo presenta como un sustituto de los filtros y los menús. Salesforce afirma que su equipo de AI Research trabaja con Google para combinar Gemini 3.8 Live con Agentforce, su plataforma de agentes para atención al cliente, y Bob Van Osten, vicepresidente de producto de Agentforce, describe la colaboración como una búsqueda de nuevas formas de llevar un caso de servicio desde el primer contacto hasta su resolución. Specs, que desarrolla su propio asistente de IA, destaca a través de su ingeniero de software Eric Walsh la detección de actividad de voz actualizada y la menor latencia que midió en sus pruebas.

Cada segundo de audio y vídeo generado lleva una marca de agua SynthID. El sistema, que Google DeepMind presentó en 2023 para imágenes y amplió después a texto, audio y vídeo, incrusta una señal que las personas no pueden ver ni oír pero que el software sí puede detectar. Google lo diseña para que resista transformaciones habituales como la compresión y la recodificación, de modo que un clip exportado de una llamada de soporte y publicado en otro sitio todavía pueda verificarse en su origen. Es el compromiso de seguridad más concreto del lanzamiento y se aplica a todos los avatares, predefinidos o personalizados. La segunda salvaguarda es de procedimiento: los avatares personalizados quedan tras una lista de acceso empresarial y un proceso de verificación aparte, que es la respuesta de Google a la preocupación evidente de que una sola foto y una muestra de voz basten para clonar a una persona real.

La marca de agua llega además en un momento oportuno para la parte europea del negocio. Live Avatar se lanza con endpoints en Estados Unidos y en la Unión Europea, y la Ley de IA de la UE incluye normas de transparencia, aplicables desde agosto de 2026, que exigen informar a las personas cuando interactúan con un sistema de IA y que el audio y el vídeo sintéticos se marquen de forma legible por máquina. SynthID cubre la segunda obligación. La primera corresponde a quien despliega el avatar, porque una marca de agua que nadie ve no sirve para avisar a quien llama de que el rostro amable de la pantalla está generado. Google puede aportar el marcado; el aviso tiene que venir del banco, la aseguradora o la cadena hotelera que pone ese rostro delante de sus clientes.

Lo que el lanzamiento se guarda es el precio. Ninguno de los dos anuncios da una cifra para la capa del avatar; la publicación de Cloud remite a la página general de precios de IA generativa de Google y al rendimiento aprovisionado, y tanto la capacidad aprovisionada como los avatares personalizados pasan por un representante comercial. Las organizaciones pueden elegir entre una biblioteca seleccionada de rostros predefinidos o crear el suyo propio a partir de una sola foto de referencia, una muestra de audio y un conjunto de instrucciones de sistema, pero esa vía personalizada está restringida y no funciona en autoservicio. Extended Thinking para el modelo Live sigue en vista previa privada, lo que por ahora limita su profundidad de razonamiento frente a otros modelos Gemini de Google. No se han publicado cifras de latencia ni límites de sesiones simultáneas. Ese perfil restringido encaja con la forma en que Google escalona sus lanzamientos empresariales, con precios y capacidad que se negocian en lugar de publicarse.

El avatar llega también a una categoría que ya existe. Empresas como Synthesia, HeyGen y D-ID levantaron negocios con presentadores generados, sobre todo para formación, marketing y vídeo localizado que se renderiza por adelantado y no en directo. La propuesta de Google difiere en un aspecto: el rostro va unido al mismo modelo que escucha, razona y llama a las herramientas, dentro de la consola en la que las empresas ya construyen sus agentes. Forma parte de una familia más amplia de modelos de audio que incluye Gemini 3.5 Transcribe, Gemini 3.5 Live Translate y dos variantes de texto a voz, Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS. Para una empresa que ya utiliza agentes de Gemini, añadir un rostro pasa a ser una opción de configuración y no un contrato con otro proveedor, y esa integración es la amenaza competitiva a la que tendrán que responder los especialistas.

Quedan preguntas abiertas que el material de lanzamiento no aborda. Un rostro despierta expectativas que una voz no despierta: quien llama lee las expresiones, y un avatar que sonríe mientras rechaza un parte puede sentar peor que una voz neutra que da la misma respuesta. El ancho de banda también cuenta, porque un agente de vídeo en streaming exige más a la conexión del cliente que una línea telefónica, y muchos de los mercados donde el soporte multilingüe resulta más valioso son también aquellos donde los datos móviles son más caros. Nada de esto puede medirse a partir de una publicación de lanzamiento. Se verá, o no, en las cifras de satisfacción y de gestiones completadas de los primeros grandes despliegues.

Gemini 3.8 Live con Live Avatar ya está disponible en la consola de Gemini Enterprise y a través de la Gemini Live API, con el Agent Development Kit como vía para que los desarrolladores construyan agentes en streaming. Extended Thinking no tiene un calendario publicado más allá de su actual grupo de vista previa privada. Las empresas que lo desplieguen responderán a una pregunta que la tecnología no resuelve: si eliminar la señal visual que delata una interacción automatizada mejora la experiencia de las personas al otro lado o elimina el último indicio honesto de que esa interacción está ocurriendo.

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

Gemini 3.8 Live Avatar pone cara a la IA de atención al cliente

Contenido similar

Gemini Spark sigue trabajando con la tapa cerrada — la beta de pago llega la semana del 26 de mayo

Gemini gratis solo tendrá Flash-Lite, el modelo más pequeño de Google, desde el 9 de octubre

El nuevo asistente de Android de Google copia tu lista de la compra y la mete en el carrito

Gemini convierte tus libros de texto y apuntes en un plan de estudio personalizado con IA

GPT-Live lleva el audio full-duplex a ChatGPT — la pausa que delataba a la IA ya no existe

Gemma llega a 1.000 millones de descargas: la IA que funciona sin enviar nada a un servidor

Debate