Gemini 3.8 Live Avatar: yapay zeka destek hattına 97 dilde bir yüz

Google, konuşmadan konuşmaya çalışan modeline gerçek zamanlı, dudak senkronlu bir video yüzü ekledi ve onu ilk olarak destek masalarına ve satış salonlarına sattı. Her kare bir SynthID filigranı taşıyor; lansman belgelerinin hiçbiri bu yüze bir fiyat biçmiyor.

Müşteri hizmetleri yirmi yıldır insanlarla boş bir kutunun içinden konuşuyor: bir telefon menüsü, bir sohbet balonu, arkasında hiçbir şey olmayan sentetik bir ses. 25 Eylül’de Google, Live Avatar özellikli Gemini 3.8 Live’ı Gemini Enterprise’da genel kullanıma açtı ve ürün, o kutuyu doğrudan bir yüzle doldurma girişimi. Avatar konuşuyor, dudaklarını söyledikleriyle eş zamanlı oynatıyor, yüz ifadeleri takınıyor ve arka planda bilgi ararken konuşmayı kesmiyor. 97 dilde çalışıyor ve müşteri görüşmenin ortasında dil değiştirdiğinde o da aynı anda geçiş yapıyor. Google ürünü demo sahnelerine değil, sigorta hasar taleplerine, otel girişlerine ve araba alışverişine yönlendiriyor; bu tercih, şirketin sesli yapay zekadaki parayı nerede gördüğünü epeyce açık ediyor.

Yüzün altında, Google’ın bir hafta önce Extended Thinking varyantıyla birlikte duyurduğu yerel konuşmadan konuşmaya modeli Gemini 3.8 Live çalışıyor. Konuşmadan konuşmaya, modelin sesi duyup yine sesle yanıt vermesi, konuşmayı önce metne çevirip sonra yeniden sese dönüştürmemesi demek. Eski sesli botlar bir bayrak yarışı gibi kurulurdu: bir sistem arayanın sözlerini yazıya döker, ikincisi ne söyleneceğine karar verir, üçüncüsü yanıtı yüksek sesle okurdu. Her devir teslim gecikme ekliyor ve ses tonunu siliyordu; o botların insanların üstüne konuşmasının, araya girildiğini kaçırmasının ve uzun, mekanik sessizlikler bırakmasının nedeni buydu. Yerel bir model bu bayrak yarışını ortadan kaldırıyor ve konuşmanın ritmini tek bir sistemin içinde tutuyor.

Live Avatar bu döngüye akış halinde bir video katmanı ekliyor. Onu, yüzün ses zaten üretildikten sonra canlandırıldığı video bindirme tekniklerinden ayıran şey, ses ile görüntünün ardışık adımlar halinde değil, aynı canlı çıkarım hattında üretilmesi. Gecikmeyi doğal bir karşılıklı konuşmaya yetecek kadar düşük tutan bu bağ; dudakların hecelerin peşinden sürüklenmek yerine tam üzerlerine oturmasının nedeni de bu. Model konuşurken canlı kamera görüntülerini ve ekran paylaşımlarını da okuyor, müşterinin ekranındaki öğeleri vurgulayabiliyor. Böylece arayan kişi bir sorunu yalnızca anlatmakla kalmayıp gösterebiliyor, ajan da yanıtı ekranda işaret edebiliyor.

Ürün bir anda ortaya çıkmadı. Google, Live Avatar’ı ilk kez Google Cloud Next 2026’da önizleme olarak göstermişti; Live serisinin kökü ise 2024’e uzanıyor. O yıl Gemini Live telefonlarda bir ses modu olarak geldi, aralık ayında da Gemini 2.0 ile birlikte Multimodal Live API geliştiricilere açıldı. Her sürüm aynı fikri biraz daha ileri taşıdı: sıra beklemek gibi hissettiren daha az konuşma turu, makineyi ele veren daha az duraklama. Avatarı tüketicilere tanıtan yazı 24 Eylül’de yayımlandı ve Gemini Audio Team adına araştırma bilimcisi Shuo-yiin Chang ile yazılım mühendisi CJ Zheng’in imzasını taşıyordu. Kurumsal genel kullanım bir gün sonra Google Cloud blogunda duyuruldu; bu sıralama, Google’ın faturayı hangi kitlenin ödemesini beklediğini açıkça gösteriyor.

Bir müşteri hizmetleri uygulamasında yüz, arkasında olup bitenden daha az önemli. Gemini 3.8 Live, araç ve API çağrılarını eşzamansız yürütüyor: talebi onaylıyor, konuşmayı sürdürüyor ve bu sırada arka planda bir siparişi getiriyor, bir poliçe koşulunu kontrol ediyor ya da stok sorguluyor. Google’a göre model, sözü kesildiğinde ne bağlamı ne de arka uçta sürmekte olan işlemi kaybediyor; öfkeli bir arayanı telefon menüsünün en başına en sık geri gönderen arıza tam da bu. Farkı küçümsemek kolay. Bir veritabanı yanıt verirken altı saniye susan bir bot bozuk gibi görünür; kontrol ettiğini söyleyip konuşmaya devam eden bir bot ise bir banko görevlisi gibi hissettirir.

Google’ın vitrin örneği bir sigorta hasar talebi. Müşteri telefon kamerasını hasara doğrultup durumu anlatıyor, ajan konuşma sürerken hasar kaydını dolduruyor ve Google’ın Agent Development Kit’iyle oluşturulmuş bir arka plan ajanları ekibi poliçeyi kontrol edip eksperin ihtiyaç duyacağı dosyayı hazırlıyor. Bu ajan ekibinin kodu, lansman materyallerinde açık kaynaklı bir örnek olarak bağlantıyla paylaşılıyor; bu da Google’ın geliştiricilerin yüz kadar mimariyi de kopyalamasını istediğinin işareti. Şirketin diğer örneği daha sıradan: otele giriş yapan bir misafir. İki örnek de aynı tasarımı anlatıyor. Avatar, senaryo okuyan konuşan bir kafa değil, bir iş akışının ön yüzü.

Dil yönetimi ikinci sütun. Dil algılama otomatik ve Google’a göre avatar aynı oturum içinde 97 dili arasında video kalitesini düşürmeden ya da görsel kayma yaratmadan geçiş yapabiliyor; dudak hareketleri de eski dilin ağız şekillerini korumak yerine yeni dile uyum sağlıyor. Geçiş, başka birine aktarma, sistemi yeniden yükleme ya da fark edilir bir duraklama olmadan gerçekleşiyor. Hindistan, Nijerya ya da Filipinler’deki destek hatlarının gündelik gerçeğinde olduğu gibi, müşterilerin tek bir görüşmede iki üç dil arasında gidip geldiği pazarlarda bu, kullanılabilir bir sistemle insanları neden aradıklarını anlatmadan önce menüden dil seçmeye zorlayan bir sistem arasındaki fark demek.

Hindistan’da kişisel bir yapay zeka asistanı geliştiren Equal AI, ölçeğin en net resmini sunuyor; ancak şirketin rakamları avatarı değil, ses modelini anlatıyor. Şirket, dokuz Hint dilinde günde bir milyondan fazla canlı görüşmeyi şimdiden yönettiğini söylüyor; CEO’su Akhilesh Damaraju da söz kesmelerin daha iyi yönetilmesini, daha güvenilir çok dilli konuşmaları ve daha istikrarlı araç çağrılarını Gemini 3.8 Live’a bağlıyor. Bu hacmi aynı erişilebilirlik ve vardiya kapsamıyla insan temsilcilerle karşılamak ekonomik açıdan pratik olmazdı. Böyle bir uygulamanın arkasındaki tasarım varsayımı bir kavram kanıtı değil. Varsayım işlem hacmi ve bu ölçekte bir konuşma turundan kırpılan her saniye hızla birikiyor.

Lansmandaki diğer isimler pazarın farklı uçlarını işaret ediyor. Cox Automotive, Autotrader için alıcıların istedikleri arabayı kendi sözcükleriyle tarif edebildiği, eşleşmeleri ekranda öne çıkaran ve arama, karşılaştırma ve finansman için araç çağıran sohbet tabanlı bir avatar geliştirdi; Cox Automotive’in baş ürün sorumlusu Marianne Johnson bunu filtrelerin ve menülerin yerini alan bir çözüm olarak tanımlıyor. Salesforce, AI Research ekibinin Gemini 3.8 Live’ı şirketin hizmet odaklı ajan platformu Agentforce ile birleştirmek için Google’la çalıştığını söylüyor; Agentforce’un ürün başkan yardımcısı Bob Van Osten de bu iş birliğini, bir hizmet talebini ilk temastan çözüme taşımanın yeni yollarını arama çabası olarak anlatıyor. Kendi yapay zeka asistanını geliştiren Specs ise yazılım mühendisi Eric Walsh aracılığıyla, testlerinde ölçtüğü güncellenmiş ses etkinliği algılamasına ve daha düşük gecikmeye dikkat çekiyor.

Üretilen ses ve videonun her saniyesi bir SynthID filigranı taşıyor. Google DeepMind’ın 2023’te görseller için tanıttığı, ardından metin, ses ve videoya genişlettiği sistem, insanların göremediği ya da duyamadığı ama yazılımın tespit edebildiği bir sinyal yerleştiriyor. Google filigranı sıkıştırma ve yeniden kodlama gibi yaygın dönüşümlere dayanacak şekilde tasarlıyor; böylece bir destek görüşmesinden dışa aktarılıp başka bir yerde paylaşılan bir klibin kaynağı yine de doğrulanabiliyor. Bu, lansmandaki en somut güvenlik taahhüdü ve ister hazır ister özel olsun her avatar için geçerli. İkinci güvence prosedürel: özel avatarlar kurumsal bir izin listesinin ve ayrı bir doğrulama sürecinin arkasında duruyor. Bu, tek bir fotoğraf ve bir ses örneğinin gerçek bir kişiyi klonlamaya yeteceği yönündeki bariz endişeye Google’ın verdiği yanıt.

Filigran, işin Avrupa tarafı için de yerinde bir zamanda geliyor. Live Avatar, Amerika Birleşik Devletleri ve Avrupa Birliği’nde uç noktalarla sunuluyor; AB’nin Yapay Zeka Yasası (AI Act) da Ağustos 2026’dan itibaren uygulanan şeffaflık kuralları içeriyor. Bu kurallar, insanlara bir yapay zeka sistemiyle muhatap olduklarının söylenmesini ve sentetik ses ile videonun makine tarafından okunabilir biçimde işaretlenmesini zorunlu kılıyor. SynthID ikinci yükümlülüğü karşılıyor. Birincisi avatarı kullanıma sokan tarafa ait, çünkü kimsenin göremediği bir filigran, arayan kişiye ekrandaki güler yüzün yapay olarak üretildiğini söylemiyor. İşaretlemeyi Google sağlayabilir; bilgilendirmeyi ise o yüzü müşterilerinin karşısına çıkaran banka, sigorta şirketi ya da otel zinciri yapmak zorunda.

Lansmanın saklı tuttuğu şey fiyat. İki duyurunun hiçbiri avatar katmanı için bir rakam vermiyor; Cloud yazısı Google’ın genel üretken yapay zeka fiyatlandırma sayfasına ve ayrılmış kapasiteye (provisioned throughput) yönlendiriyor, hem ayrılmış kapasite hem de özel avatarlar bir satış temsilcisi üzerinden ilerliyor. Kurumlar özenle seçilmiş hazır yüzlerden oluşan bir kütüphaneden seçim yapabiliyor ya da tek bir referans fotoğraf, bir ses örneği ve bir dizi sistem talimatıyla kendi yüzlerini oluşturabiliyor; ancak bu özel yol self-servis değil, erişimi kontrollü. Live modeli için Extended Thinking hâlâ kapalı önizlemede; bu da şimdilik modelin akıl yürütme derinliğini Google’ın diğer Gemini modellerine kıyasla sınırlıyor. Gecikme değerleri ve eş zamanlı oturum sınırları yayımlanmış değil. Bu kısıtlı profil, Google’ın kurumsal sürümleri aşamalı sunma biçimiyle uyumlu: fiyat ve kapasite ilan edilmiyor, pazarlıkla belirleniyor.

Avatar üstelik zaten var olan bir kategoriye giriyor. Synthesia, HeyGen ve D-ID gibi şirketler, yapay olarak üretilmiş sunucular üzerine iş kurdu; bu sunucular çoğunlukla eğitim, pazarlama ve yerelleştirilmiş videolar için canlı değil, önceden oluşturuluyor. Google’ın önerisi bir açıdan farklı: yüz, dinleyen, akıl yürüten ve araçları çağıran modelin kendisine bağlı ve kurumların ajanlarını zaten kurduğu konsolun içinde duruyor. Yanında Gemini 3.5 Transcribe, Gemini 3.5 Live Translate ve iki metinden sese varyantı, yani Gemini 3.8 Flash TTS ile Gemini 3.8 Flash-Lite TTS’i içeren daha geniş bir ses modelleri ailesi var. Halihazırda Gemini ajanları çalıştıran bir şirket için yüz eklemek, ayrı bir tedarikçi sözleşmesi değil, bir yapılandırma tercihi haline geliyor; uzman şirketlerin yanıt vermek zorunda kalacağı rekabet tehdidi de bu paketleme.

Lansman materyallerinin değinmediği açık sorular var. Bir yüz, sesin yaratmadığı beklentiler doğuruyor: arayanlar yüz ifadelerini okuyor ve bir hasar talebini reddederken gülümseyen bir avatar, aynı yanıtı veren nötr bir sesten daha kötü karşılanabilir. Bant genişliği de önemli; akış halindeki bir video ajanı, müşterinin bağlantısından bir telefon hattına göre çok daha fazlasını istiyor ve çok dilli desteğin en değerli olduğu pazarların birçoğu, mobil verinin en pahalı olduğu pazarlarla aynı. Bunların hiçbiri bir lansman yazısından ölçülemez. Yanıt, ilk büyük uygulamaların memnuniyet ve tamamlanma rakamlarında ortaya çıkacak ya da hiç çıkmayacak.

Live Avatar özellikli Gemini 3.8 Live şu anda Gemini Enterprise konsolunda ve Gemini Live API üzerinden kullanılabiliyor; akış halindeki ajanlar için geliştirici yolu ise Agent Development Kit. Extended Thinking için mevcut kapalı önizleme grubunun ötesinde açıklanmış bir takvim yok. Onu kullanıma sokan kurumlar, teknolojinin kendisinin yanıtlamadığı bir soruyu yanıtlayacak: otomatik bir etkileşimi belli eden görsel işareti ortadan kaldırmak, hattın diğer ucundaki insanların deneyimini mi iyileştiriyor, yoksa böyle bir etkileşimin yaşandığını gösteren son dürüst işareti mi siliyor.

Etiketler: Google, Gemini, customer service, enterprise AI, lip sync, speech recognition