Gemini 3.8 Live Avatar: วิดีโอแบบเรียลไทม์สำหรับ AI ในองค์กร

สรุปสั้น: Google DeepMind เปิดตัว Gemini 3.8 Live Avatar ซึ่งเพิ่มวิดีโอเรียลไทม์และความสามารถมัลติโมดัลสู่ AI เพื่อปรับปรุงการบริการลูกค้าองค์กร โดยรองรับ 97 ภาษาและมีความหน่วงต่ำกว่าหนึ่งวินาที ทำให้เกิดการโต้ตอบที่สมจริงยิ่งขึ้น

ข้อเท็จจริงสำคัญ

• Google DeepMind เปิดตัว Gemini 3.8 Live Avatar บนแพลตฟอร์ม Gemini Enterprise เมื่อวันที 25 กันยายน 2026 โดยเปลี่ยนโมเดลจากผู้ช่วยเสียงเป็นเอเจนต์มัลติโมดัลที่มองเห็น ฟัง และพูดได้พร้อมกัน
• ฟีเจอร์ Live Avatar สร้างวิดีโอสตรีมแบบเรียลไทม์ผ่าน WebSockets ด้วยความหน่วงน้อยกว่า 1 วินาที ใช้ Codec MP4 ที่ 24 FPS พร้อมการซิงค์ปากและสีหน้าที่เป็นธรรมชาติเพื่อเพิ่มประสบการณ์เหมือนมนุษย์
• ระบบรองรับการประมวลผลมัลติโมดัลแบบอะซิงโครนัส ทำให้ AI สามารถเรียกใช้ API หรือดึงข้อมูลภายนอกในพื้นหลังได้ โดยไม่หยุดกระแสการสนทนา เหมาะสำหรับการเช็คอินหรือธุรกรรมที่ต้องใช้ข้อมูลเรียลไทม์
• โมเดลรองรับ 97 ภาษาพร้อมการตรวจจับอัตโนมัติและสลับภาษาระหว่างสตรีมได้โดยไม่ลดทอนคุณภาพวิดีโอ เช่น การเปลี่ยนจากภาษาอังกฤษเป็นภาษาญี่ปุ่นได้อย่างราบรื่น
• Google ฝังลายน้ำ SynthID แบบมองไม่เห็นลงในเอาต์พุตวิดีโอเพื่อระบุแหล่งกำเนิด AI และใช้มาตรการป้องกันตัวตนเพื่อลดความเสี่ยงจากการถูกนำไปสร้างดีปเฟก (Deepfake) ในทางที่ผิด
• โมเดลเสียงพื้นฐาน Gemini 3.8 Live Extended Thinking จัดอันดับที่ #1 ในดัชนีคุณภาพการแปลงเสียงเป็นเสียงของ Artificial Analysis ด้วยคะแนน 82.6 ตามข้อมูลวันที่ 15 กันยายน

Google DeepMind ได้เปิดตัว Gemini 3.8 Live พร้อมฟีเจอร์ Live Avatar สำหรับลูกค้าองค์กร โดยเพิ่มการปรากฏตัวแบบภาพเรียลไทม์ให้กับโมเดล AI ที่เน้นเสียงเป็นหลัก [1][3] ซึ่งประกาศเมื่อวันที่ 24 กันยายน 2026 และยืนยันว่าพร้อมใช้งานทั่วไปบนแพลตฟอร์ม Gemini Enterprise ตั้งแต่วันที่ 25 กันยายน การอัปเดตนี้เปลี่ยนโมเดลจากผู้ช่วยที่รองรับเฉพาะเสียง ให้กลายเป็นเอเจนต์มัลติโมดัลที่สามารถมองเห็น ฟัง และพูดได้พร้อมกัน [5]

ฟีเจอร์ Live Avatar จับคู่การสร้างเสียงความละเอียดสูงกับวิดีโอสตรีมมิงที่มีความหน่วงต่ำ สร้างบุคลิกภาพทางภาพแบบไดนามิกสำหรับการบริการลูกค้าและการประยุกต์ใช้ด้านการศึกษา [1][4] โดยการผสานการซิงค์ปากที่แม่นยำและสีหน้าที่เป็นธรรมชาติ ระบบมีเป้าหมายเพื่ออำนวยความสะดวกในการสนทนาที่มีลักษณะเหมือนมนุษย์และมีการโต้ตอบมากกว่ารุ่นก่อนหน้าที่รองรับเฉพาะเสียง

การประมวลผลมัลติโมดัลและเครื่องมือแบบอะซิงโครนัส

ในทางเทคนิค ตัวอวตารทำงานบนสถาปัตยกรรมมัลติโมดัลที่รับข้อมูลภาพและเสียงเข้าใกล้เวลาจริง (near real-time) ความก้าวหน้าด้านสถาปัตยกรรมที่สำคัญคือการรองรับการเรียกใช้เครื่องมือแบบอะซิงโครนัส [1][2] ต่างจากโมเดลรุ่นก่อนหน้าที่อาจหยุดการสนทนาขณะทำงานที่ซับซ้อน Gemini 3.8 Live สามารถเรียกใช้ API ในพื้นหลังหรือดึงข้อมูลภายนอกได้ โดยยังคงรักษากระแสการสนทนาให้ดำเนินต่อไป ความสามารถนี้ช่วยให้การโต้ตอบดำเนินไปอย่างต่อเนื่องในสถานการณ์ที่ต้องการการดึงข้อมูลแบบเรียลไทม์ เช่น การเช็คอินโรงแรมหรือการสนับสนุนธุรกรรม [5]

ระบบถูกออกแบบมาให้รองรับการรับภาพจากกล้องสดและการแชร์หน้าจอไปพร้อมกับข้อมูลเสียงได้อย่างพร้อมกัน ทำให้ AI สามารถอ้างอิงบริบททางภาพโดยตรงภายในบทสนทนา [5] เพื่อจัดการกับความซับซ้อนดังกล่าว เครื่องมือสังเคราะห์วิดีโอจะสร้างสตรีม MP4 ที่ 24 FPS พร้อมการซิงโครไนซ์ โดยมีความหน่วงน้อยกว่าหนึ่งวินาทีผ่าน WebSockets แบบสองทิศทาง [7] แพลตฟอร์มยังมีคุณสมบัติกรองเสียงล่วงหน้าและเครื่องมือบล็อกแบบยกเลิกอัตโนมัติ เพื่อรักษาความชัดเจนระหว่างการแลกเปลี่ยนข้อมูลมัลติโมดัลที่ซับซ้อน

การรองรับภาษาและข้อจำกัดในการปรับแต่ง

จุดเด่นที่สำคัญของการอัปเดตระดับองค์กรคือการรองรับหลายภาษาอย่างแข็งแกร่ง Gemini 3.8 Live สามารถจัดการกับ 97 ภาษาพร้อมการตรวจจับอัตโนมัติ ทำให้สามารถสลับภาษาในระหว่างสตรีมได้โดยไม่ลดทอนความคมชัดของวิดีโอหรือทำให้เกิดความคลาดเคลื่อนทางภาพ ซึ่งเป็นความสามารถที่แสดงให้เห็นในการเปลี่ยนจากภาษาอังกฤษเป็นภาษาญี่ปุ่น [4][5]

ตัวเลือกในการปรับแต่งยังคงมีข้อจำกัด ตัวเลือกในการปรับแต่งยังคงมีข้อจำกัด แม้ว่าจะมีไลบรารีอวาตาร์แบบกำหนดล่วงหน้า (preset avatars) ให้ใช้งานทันที แต่การสร้างอวาตาร์แบบกำหนดเองนั้นปัจจุบันเปิดให้เฉพาะลูกค้าองค์กรบางรายที่อยู่ในรายการอนุญาตเท่านั้น [4][5] รายละเอียดเฉพาะเกี่ยวกับอวาตาร์แบบกำหนดล่วงหน้าที่มีอยู่ในไลบรารีเริ่มต้น หรือตัวเลือกการปรับแต่งพื้นฐาน (เช่น การเปลี่ยนเสื้อผ้าหรือพื้นหลัง) ที่ผู้ใช้ที่ไม่ได้อยู่ในรายการอนุญาตสามารถเข้าถึงได้ ยังไม่มีการเปิดเผย [4][5]

มาตรการด้านความน่าเชื่อถือและความปลอดภัย

เพื่อตอบสนองต่อข้อกังวลที่เพิ่มขึ้นเกี่ยวกับสื่อที่สร้างโดย AI Google ได้ฝังลายน้ำ SynthID แบบมองไม่เห็นลงในเอาต์พุตวิดีโอของ Live Avatar [4] บริษัทอ้างว่ายังได้ใช้มาตรการป้องกันตัวตนเพื่อป้องกันการนำภาพลักษณ์ของอวาตาร์ไปใช้ในทางที่ผิดเพื่อวัตถุประสงค์ในการสร้างดีปเฟก (deepfake) แม้ว่าจะไม่ได้ระบุรายละเอียดทางเทคนิคเกี่ยวกับวิธีการทำงานของกลไกเหล่านี้ในการตรวจจับหรือบล็อกการจำลองแบบโดยไม่ได้รับอนุญาตในการประกาศ

เกณฑ์วัดประสิทธิภาพ

โมเดลเสียงพื้นฐานอย่าง Gemini 3.8 Live Extended Thinking ได้แสดงประสิทธิภาพที่แข็งแกร่งในการประเมินผลโดยอิสระ ตามข้อมูลที่เผยแพร่พร้อมกับการเปิดตัวครั้งแรกเมื่อวันที่ 15 กันยายน โมเดลนี้จัดอันดับที่ #1 ในดัชนีคุณภาพการแปลงเสียงเป็นเสียง (Speech to Speech Quality Index) ของ Artificial Analysis ด้วยคะแนน 82.6 [6] ส่วนโมเดล Live แบบมาตรฐานติดอันดับที่สองใน Speech Agent Arena ตัวชี้วัดเหล่านี้สะท้อนถึงการพัฒนาคุณภาพการแปลงเสียงเป็นเสียงและความสามารถในการโต้ตอบแบบเอเจนต์ (agent-like interaction capabilities) เมื่อเทียบกับรุ่นก่อนหน้า

ความพร้อมใช้งานและโครงสร้างพื้นฐาน

บริการนี้สามารถเข้าถึงได้ผ่านจุดปลายในสหรัฐอเมริกาและสหภาพยุโรป ซึ่งออกแบบมาเพื่อตอบสนองมาตรฐานการปฏิบัติตามกฎระเบียบขององค์กร พร้อมตัวเลือกปริมาณงานที่จัดเตรียมไว้ล่วงหน้าสำหรับแอปพลิเคชันที่มีปริมาณการใช้งานสูง [5] ยังไม่มีการเผยแพร่ระดับราคาหรือตัวชี้วัดต้นทุนต่อโทเค็นที่เฉพาะเจาะจง ซึ่งเปรียบเทียบการโต้ตอบผ่าน Live Avatar กับเซสชันที่ใช้เสียงเพียงอย่างเดียว ส่งผลให้ผลกระทบทางเศรษฐกิจต่อการนำไปใช้งานในองค์กรยังไม่ชัดเจน [6][7]

ในขณะที่ Google DeepMind ผลักดันความสามารถของเอเจนต์แบบมัลติโมดัลให้ก้าวหน้ายิ่งขึ้น การเปิดตัว Live Avatar จึงถือเป็นจุดเปลี่ยนไปสู่ผู้ช่วย AI ที่ผสานองค์ประกอบทางภาพได้อย่างสมบูรณ์ยิ่งขึ้น ว่ากันว่าเลเยอร์ทางภาพนี้จะช่วยปรับปรุงความพึงพอใจของลูกค้าหรือประสิทธิภาพการดำเนินงานในบริบทองค์กรอย่างมีนัยสำคัญหรือไม่ ยังคงต้องรอติดตามเมื่อมีการนำไปใช้งานในวงกว้างมากขึ้น

แหล่งข้อมูล

1. Introducing Gemini 3.8 Live with Live Avatar (deepmind.google) — 2026-09-24
2. Introducing Gemini 3.8 Live with Live Avatar (blog.google) — 2026-09-24
3. Gemini 3.8 Live with Live Avatar is now generally available | Google Cloud Blog (cloud.google.com) — 2026-09-25
4. Gemini 3.8 Live with Live Avatar gives Google’s AI a face (www.theverge.com) — 2026-09-24
5. Google DeepMind Launches Gemini 3.8 Live with Live Avatar (www.nageshpolu.com) — 2026-09-25
6. Developer’s guide to Gemini 3.8 Live | Gemini Enterprise Agent Platform | Google Cloud Documentation (docs.cloud.google.com) — 2026-09-28
7. Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking (blog.google) — 2026-09-15