Gemini Live Avatar: arcot kapott a Google mesterséges intelligenciája
A Google bemutatta a Gemini 3.8 Live Avatar funkcióját, amely animált, beszélő arcot ad a mesterséges intelligenciának. Az új fejlesztés valós időben szinkronizálja az ajak- és arcmozgást a beszéddel.
["A The Verge beszámolója szerint a Google frissítette a Gemini 3.8 Live modelljét egy új funkcióval, amely látható arcot ad a mesterséges intelligenciának. A Gemini Live Avatar nevű megoldás lehetővé teszi, hogy a felhasználók egy animált AI-személyiséggel (persona) beszélgessenek, amely valós időben válaszol nekik. Az avatár – vagyis a digitális figura – nem csak beszél, hanem ajak-szinkronizációt (lip-sync) és különféle arckifejezéseket is mutat a párbeszéd során, így sokkal emberibb élményt nyújt. Jelenleg a funkció csak a Gemini Enterprise üzleti ügyfelei számára érhető el, de ez jelzi, hogy a Google komolyan gondolja a vállalati felhasználást.", "## Többnyelvű avatár vizuális pontossággal", "A Google közlése szerint a Gemini Live Avatar képes 97 nyelv között váltani anélkül, hogy a videó minősége romlana, vagy vizuális eltérések (drift) – vagyis a szájmozgás és a hang közötti eltolódás – jelentkeznének. A vállalat által megosztott bemutató videón az avatár angolul és japánul is beszél, és mindkét nyelven pontosan illeszkedik a szájmozgás a kimondott szavakhoz. Ez azért fontos, mert a korábbi hasonló megoldások gyakran küzdöttek azzal, hogy több nyelven is természetes legyen a szinkron. Az avatár emellett képes információkat megjeleníteni a képernyőn, miközben beszél, így például prezentációkhoz vagy ügyfélszolgálati feladatokhoz is használható.", "## Kapcsolat a Gemini 3.8 Live modellel", "A Gemini Live Avatar megjelenése körülbelül egy héttel azután történt, hogy a Google bemutatta a Gemini 3.8 Live modellt. Ez a modell a vállalat szerint „közel valós időben dolgozza fel a vizuális bemeneteket" – vagyis nem csak szöveget vagy hangot, hanem képet és videót is képes gyorsan értelmezni. Az új avatár funkció erre az alapra épül: a modell nemcsak megérti, amit láz vagy hall, hanem egy animált arc formájában is képes reagálni rá. A Google előre elkészített avatárokat kínál majd az ügyfeleknek, de lehetőséget ad arra is, hogy a szervezetek saját, egyedi avatárt hozzanak létre, például a saját márkájukhoz illeszkedő megjelenéssel.", "## Biztonsági intézkedések és vízjel", "A Google tudatában van annak, hogy egy ilyen technológia visszaélésekre is lehetőséget adhat – például valaki mások személyiségét utánozhatja az avatárral. Ezért biztonsági intézkedéseket is beépített a rendszerbe. A Gemini Live Avatar kimenetét láthatatlan SynthID vízjellel látja el, amely lehetővé teszi, hogy később azonosítani lehessen, ha egy videó vagy hang AI által generált. Emellett olyan védelmi mechanizmusokat alkalmaz, amelyek „tiszteletben tartják az identitást" – ez arra utal, hogy a rendszer megpróbálja megakadályozni, hogy valaki valós személyek arcát vagy stílusát engedély nélkül használja fel. Ezek a lépések fontosak, hiszen a generatív AI – vagyis az olyan mesterséges intelligencia, amely új tartalmakat hoz létre – egyre inkább képes megtévesztően valósághű eredményeket produkálni."]
Ha AI-alapú asszisztensekkel dolgozol, eddig főként hangot vagy szöveget láttál. A Gemini Live Avatar azt mutatja, hogy a beszélgetőtársak egyre inkább „testesülnek": egy arc, amely reagál és beszél, sokkal természetesebbé teheti az interakciót. Kezdőként érdemes tudnod, hogy az ilyen avatárok nem valódi emberek, hanem generált animációk – de a technológia egyre jobban elmossa a határokat, és ez új lehetőségeket és kérdéseket is felvet.
Forrás: The Verge – Gemini 3.8 Live with Live Avatar gives Google’s AI a face · Google DeepMind – Introducing Gemini 3.8 Live with Live Avatar · Google DeepMind – Gemini 3.8 text-to-speech says hello
