Gemini 3.8 Live with Live Avatar: Công nghệ đưa nhân vật ảo vào hội thoại thời gian thực

Google vừa chính thức giới thiệu Gemini 3.8 Live with Live Avatar, giải pháp kết hợp khả năng giao tiếp giọng nói thời gian thực với công nghệ truyền video độ trễ thấp. Khác với các hệ thống chatbot trước đây vốn chỉ tương tác qua văn bản hoặc âm thanh đơn thuần, mô hình này cung cấp cho tác nhân nhân tạo một diện mạo trực quan có thể lắng nghe, quan sát, cử động khẩu hình và biểu đạt cảm xúc theo mạch đối thoại.

Cơ chế tạo lập video gần thời gian thực và đồng bộ khẩu hình

Về mặt kỹ thuật, Gemini 3.8 Live with Live Avatar được phát triển dựa trên nền tảng các mô hình hội thoại trực tiếp của Google. Trọng tâm của hệ thống nằm ở quy trình ghép nối giữa mô hình âm thanh hai chiều (speech-to-speech) và bộ sinh hình ảnh động tốc độ cao. Thay vì phát lại các đoạn video được dựng sẵn theo kịch bản, hệ thống liên tục tính toán để tạo ra luồng video khớp với diễn biến thực tế của cuộc trao đổi.

Hệ thống tập trung tối ưu ba thành phần then chốt: khẩu hình đồng bộ chính xác với âm thanh phát ra, chuyển động nét mặt tự nhiên và cơ chế luân phiên lượt nói mượt mà. Nhờ đó, người dùng có cảm giác như đang trao đổi với một nhân vật hiện diện trực tiếp, giảm thiểu hiện tượng giật khung hình hoặc lệch nhịp cử động miệng thường thấy ở các mô hình avatar cũ.

Khả năng xử lý đa phương thức và gọi công cụ bất đồng bộ

Hội thoại tự nhiên của con người vốn mang tính đa phương thức, đòi hỏi sự kết hợp giữa thính giác, thị giác và biểu cảm. Live Avatar áp dụng nguyên lý này vào môi trường doanh nghiệp thông qua việc thu nhận đồng thời tín hiệu hình ảnh từ khung hình lẫn âm thanh từ người dùng để đưa ra phản hồi tổng hợp.

Điểm đột phá về mặt kiến trúc phần mềm là khả năng thực thi công cụ bất đồng bộ. Trong khi vẫn duy trì giao tiếp bằng mắt và giọng nói với người đối diện, tác nhân AI có thể kích hoạt các API ngầm, tra cứu cơ sở dữ liệu hoặc xử lý nghiệp vụ trên hệ thống doanh nghiệp mà không làm đứt đoạn cuộc trò chuyện. Chẳng hạn, trong kịch bản hỗ trợ làm thủ tục lưu trú, AI vừa giải thích quy trình cho khách hàng vừa đồng thời gửi lệnh ghi nhận dữ liệu phòng ở hệ thống quản lý.

Khả năng thích ứng 97 ngôn ngữ và yêu cầu minh bạch với SynthID

Bên cạnh năng lực xử lý đa luồng, Google công bố Live Avatar hỗ trợ chuyển đổi linh hoạt giữa 97 ngôn ngữ khác nhau. Điểm đáng chú ý là khi chuyển ngôn ngữ, hệ thống tự động tái lập cấu trúc khẩu hình và nét mặt tương ứng mà không làm suy giảm chất lượng hiển thị của video. Điều này cho phép doanh nghiệp đa quốc gia duy trì một hình tượng nhận diện thương hiệu thống nhất trên toàn cầu nhưng vẫn bản địa hóa trải nghiệm khách hàng.

Về khía cạnh tùy biến, các tổ chức có thể tạo nhân vật riêng từ một hình ảnh tham chiếu chất lượng cao theo danh sách cấp quyền của Google. Để giải quyết nguy cơ tạo ra nội dung giả mạo khi hình ảnh ngày càng chân thực, Google tích hợp công nghệ SynthID. Đây là dạng thủy vân kỹ thuật số khó phát hiện bằng mắt thường, được nhúng trực tiếp vào luồng âm thanh và video đầu ra nhằm phục vụ công tác xác minh nguồn gốc nội dung do trí tuệ nhân tạo tạo lập.

Thách thức vận hành và giá trị thực tế cho doanh nghiệp

Gemini 3.8 Live with Live Avatar đánh dấu bước chuyển đổi đáng kể từ việc cạnh tranh về độ thông minh thuần túy của mô hình sang nâng cấp giao diện tương tác trực quan. Tuy nhiên, tính năng Live Avatar về bản chất vẫn là lớp hiển thị ngoại vi. Hiệu quả triển khai thực tế của hệ thống hoàn toàn phụ thuộc vào chất lượng dữ liệu nguồn, quyền hạn phân bổ cho các công cụ ngầm và khả năng kiểm soát độ chính xác thông tin của doanh nghiệp khi đưa vào phục vụ người dùng cuối.