Gemini 3.8 Live Avatar: AI ग्राहक सेवा को मिला 97 भाषाओं में बोलता चेहरा

Google ने अपने आवाज़-से-आवाज़ मॉडल पर वास्तविक समय में चलने वाला, होंठों की हलचल से मेल खाता वीडियो चेहरा लगा दिया है और इसे सबसे पहले सहायता डेस्कों और कार शोरूमों को बेचा है। हर फ़्रेम पर SynthID वॉटरमार्क है, और लॉन्च के किसी भी दस्तावेज़ में इस चेहरे की क़ीमत नहीं बताई गई है।

पिछले दो दशकों से ग्राहक सेवा लोगों से एक खाली डिब्बे के ज़रिए बात करती आई है: फ़ोन का मेन्यू, चैट का बुलबुला, एक कृत्रिम आवाज़ जिसके पीछे कुछ भी नहीं। 25 सितंबर को Google ने Gemini Enterprise में Live Avatar के साथ Gemini 3.8 Live को सभी के लिए उपलब्ध करा दिया, और यह उत्पाद सीधे-सीधे उसी डिब्बे को एक चेहरे से भरने की कोशिश है। अवतार बोलता है, शब्दों के साथ ताल मिलाकर होंठ हिलाता है, भाव दिखाता है और पृष्ठभूमि में जानकारी खोजते हुए भी बातचीत जारी रखता है। यह 97 भाषाओं में काम करता है और ग्राहक के भाषा बदलते ही कॉल के बीच में ख़ुद भी भाषा बदल लेता है। Google इसे डेमो के मंचों के बजाय बीमा दावों, होटल चेक-इन और कार की ख़रीदारी के लिए पेश कर रहा है, और इससे काफ़ी कुछ पता चलता है कि कंपनी आवाज़ वाली AI में असली कमाई कहाँ देखती है।

इस चेहरे के नीचे Gemini 3.8 Live है, वह मूल आवाज़-से-आवाज़ मॉडल जिसकी घोषणा Google ने एक हफ़्ते पहले Extended Thinking नाम के एक संस्करण के साथ की थी। आवाज़-से-आवाज़ का मतलब है कि मॉडल आवाज़ सुनता है और आवाज़ में ही जवाब देता है, बातचीत को पहले पाठ में बदलकर फिर वापस आवाज़ में नहीं ढालता। पुराने आवाज़ वाले बॉट रिले दौड़ की तरह बने थे: एक प्रणाली कॉल करने वाले की बात को लिखित रूप देती थी, दूसरी तय करती थी कि क्या कहना है और तीसरी जवाब पढ़कर सुनाती थी। हर हस्तांतरण देरी बढ़ाता था और लहजे को छील देता था, इसीलिए वे बॉट लोगों की बात काटकर बोलते थे, बीच में टोके जाने को भाँप नहीं पाते थे और लंबी, मशीनी चुप्पियाँ छोड़ देते थे। मूल मॉडल इस रिले को हटा देता है और बोलचाल की लय को एक ही प्रणाली के भीतर बनाए रखता है।

Live Avatar इस चक्र में लगातार प्रवाहित होने वाली एक वीडियो परत जोड़ता है। वीडियो को ऊपर से चढ़ाने वाली तकनीकों में आवाज़ पहले से तैयार होने के बाद चेहरे को सजीव किया जाता है, जबकि यहाँ आवाज़ और वीडियो क्रमिक चरणों में नहीं, बल्कि एक ही सजीव अनुमान-प्रक्रिया में साथ-साथ बनते हैं, और यही इसे उनसे अलग करता है। यही जुड़ाव विलंब को इतना कम रखता है कि सहज आमने-सामने की बातचीत संभव हो सके, और इसी वजह से होंठ अक्षरों के पीछे घिसटने के बजाय ठीक उन्हीं पर पड़ते हैं। बात करते हुए मॉडल कैमरे से सीधे आ रही तस्वीरें और साझा की गई स्क्रीन भी पढ़ता है और ग्राहक की स्क्रीन पर चीज़ों को चिह्नित भी कर सकता है। इसलिए कॉल करने वाला किसी समस्या का वर्णन करने के साथ-साथ उसे दिखा भी सकता है, और एजेंट जवाब की ओर वापस इशारा कर सकता है।

यह उत्पाद अचानक सामने नहीं आया। Google ने Live Avatar की पहली झलक Google Cloud Next 2026 में दिखाई थी, और Live शृंखला की शुरुआत 2024 में हुई थी, जब Gemini Live फ़ोन पर आवाज़ वाले मोड के रूप में आया और उसी साल दिसंबर में Gemini 2.0 के साथ डेवलपरों के लिए Multimodal Live API खोला गया। हर संस्करण ने इसी विचार को थोड़ा और आगे बढ़ाया: बारी-बारी से बोलने जैसा अहसास देने वाले कम मोड़, मशीन की पोल खोलने वाले कम ठहराव। अवतार का परिचय कराने वाली उपभोक्ता पोस्ट 24 सितंबर को आई, जिस पर Gemini Audio Team की ओर से शोध वैज्ञानिक शुओ-यिन चांग (Shuo-yiin Chang) और सॉफ़्टवेयर इंजीनियर सीजे झेंग (CJ Zheng) के नाम थे। उद्यमों के लिए सामान्य उपलब्धता एक दिन बाद Google Cloud ब्लॉग पर घोषित हुई, जिससे साफ़ है कि Google किस वर्ग से इसकी क़ीमत चुकाने की उम्मीद करता है।

ग्राहक सेवा में इसे लागू करने के लिहाज़ से चेहरा उतना मायने नहीं रखता जितना उसके पीछे होने वाला काम। Gemini 3.8 Live टूल और API कॉल को असमकालिक ढंग से चलाता है: वह अनुरोध को स्वीकार करता है, बातचीत जारी रखता है और पृष्ठभूमि में कोई ऑर्डर निकालता है, किसी नीति की जाँच करता है या स्टॉक के बारे में पूछताछ करता है। Google का कहना है कि बीच में टोके जाने के बाद भी मॉडल संदर्भ या बैकएंड में चल रहे लेन-देन को खोए बिना संभल जाता है, और यही वह गड़बड़ी है जो अक्सर झुँझलाए हुए ग्राहक को फ़ोन मेन्यू की शुरुआत में वापस भेज देती है। इस अंतर को कम आँकना आसान है। डेटाबेस के जवाब का इंतज़ार करते हुए छह सेकंड तक चुप हो जाने वाला बॉट ख़राब लगता है; जो बॉट कहता है कि वह जाँच कर रहा है और बात करता रहता है, वह काउंटर पर बैठे किसी कर्मचारी जैसा लगता है।

Google का सबसे बड़ा उदाहरण एक बीमा दावा है। ग्राहक फ़ोन का कैमरा नुकसान की ओर करता है और पूरी बात बताता है, एजेंट उसके बोलते-बोलते दावे का रिकॉर्ड भरता जाता है, और Google के Agent Development Kit से बने पृष्ठभूमि एजेंटों की एक टीम पॉलिसी की जाँच करके वह दस्तावेज़-पुलिंदा तैयार करती है जिसकी ज़रूरत बीमा आकलनकर्ता को पड़ेगी। एजेंटों की इस टीम का कोड लॉन्च सामग्री में ओपन-सोर्स उदाहरण के तौर पर जोड़ा गया है, जो संकेत है कि Google चाहता है कि डेवलपर चेहरे जितना ही इसकी संरचना की भी नकल करें। कंपनी का दूसरा उदाहरण ज़्यादा साधारण है: होटल में चेक-इन करता एक मेहमान। दोनों एक ही बनावट का वर्णन करते हैं। अवतार किसी कार्यप्रवाह का अगला सिरा है, स्क्रिप्ट पढ़ने वाला बोलता हुआ सिर नहीं।

भाषाओं को संभालना इसका दूसरा स्तंभ है। भाषा की पहचान अपने आप होती है, और Google के मुताबिक अवतार एक ही सत्र में अपनी 97 भाषाओं के बीच वीडियो की गुणवत्ता घटाए बिना या दृश्य में कोई भटकाव लाए बिना आवाजाही कर सकता है, और होंठों की हलचल पुरानी भाषा के मुँह के आकार पर अटके रहने के बजाय नई भाषा के हिसाब से ढल जाती है। यह बदलाव बिना किसी हस्तांतरण, बिना प्रणाली को दोबारा लोड किए और बिना किसी ध्यान खींचने वाले ठहराव के होता है। जिन बाज़ारों में ग्राहक एक ही कॉल में दो या तीन भाषाओं के बीच आते-जाते रहते हैं, जो भारत, नाइजीरिया या फ़िलीपींस की सहायता लाइनों की रोज़मर्रा की सच्चाई है, वहाँ यही एक काम लायक प्रणाली और उस प्रणाली के बीच का फ़र्क है जो लोगों को यह बताने से पहले कि उन्होंने क्यों फ़ोन किया, मेन्यू से भाषा चुनने पर मजबूर करती है।

भारत में निजी AI सहायक बना रही कंपनी Equal AI पैमाने की सबसे साफ़ तस्वीर पेश करती है, हालाँकि उसके आँकड़े अवतार के नहीं, आवाज़ वाले मॉडल के हैं। कंपनी का कहना है कि वह पहले से ही नौ भारतीय भाषाओं में रोज़ दस लाख से ज़्यादा लाइव कॉल संभाल रही है, और उसके मुख्य कार्यकारी अधिकारी अखिलेश दामराजु (Akhilesh Damaraju) बीच में टोके जाने को बेहतर ढंग से संभालने, ज़्यादा भरोसेमंद बहुभाषी बातचीत और ज़्यादा स्थिर टूल कॉल का श्रेय Gemini 3.8 Live को देते हैं। उतनी ही उपलब्धता और शिफ़्टों की उतनी ही कवरेज के साथ मानव एजेंटों से इतनी मात्रा संभालना आर्थिक रूप से व्यावहारिक नहीं होता। ऐसी तैनाती के पीछे की बुनियादी सोच अवधारणा को साबित करना नहीं है। बात क्षमता की है, और इतनी मात्रा पर बातचीत के हर मोड़ से बचाया गया हर सेकंड जुड़कर बड़ा हो जाता है।

लॉन्च में शामिल बाक़ी नाम बाज़ार के अलग-अलग छोरों की ओर इशारा करते हैं। Cox Automotive ने Autotrader के लिए बातचीत करने वाला एक अवतार बनाया है, जो ख़रीदारों को अपनी पसंद की कार अपने शब्दों में बताने देता है, स्क्रीन पर मेल खाते विकल्पों को चिह्नित करता है और खोज, तुलना व वित्तपोषण के लिए टूल चलाता है; Cox Automotive की मुख्य उत्पाद अधिकारी मैरिएन जॉनसन (Marianne Johnson) इसे फ़िल्टरों और मेन्यू का विकल्प बताती हैं। Salesforce का कहना है कि उसकी AI Research टीम Google के साथ मिलकर Gemini 3.8 Live को Agentforce से जोड़ने पर काम कर रही है, जो ग्राहक सेवा के लिए कंपनी का एजेंट मंच है, और Agentforce के उत्पाद उपाध्यक्ष बॉब वैन ऑस्टेन (Bob Van Osten) इस सहयोग को किसी सेवा मामले को पहले संपर्क से समाधान तक ले जाने के नए तरीक़ों की तलाश बताते हैं। अपना AI सहायक ख़ुद बनाने वाली Specs अपने सॉफ़्टवेयर इंजीनियर एरिक वॉल्श (Eric Walsh) के ज़रिए परीक्षण के दौरान मापी गई आवाज़ की गतिविधि पहचानने की अद्यतन क्षमता और कम विलंब की ओर ध्यान दिलाती है।

कृत्रिम रूप से तैयार ऑडियो और वीडियो के हर सेकंड पर SynthID वॉटरमार्क होता है। Google DeepMind ने 2023 में यह प्रणाली तस्वीरों के लिए पेश की थी और बाद में इसे पाठ, ऑडियो और वीडियो तक बढ़ाया; यह ऐसा संकेत जोड़ती है जिसे इंसान न देख सकते हैं, न सुन सकते हैं, लेकिन सॉफ़्टवेयर पकड़ सकता है। Google इसे संपीड़न और दोबारा एन्कोडिंग जैसे आम बदलावों को झेलने लायक बनाता है, ताकि किसी सहायता कॉल से निकाली गई और कहीं और पोस्ट की गई क्लिप के स्रोत की भी जाँच हो सके। लॉन्च में सुरक्षा को लेकर यही सबसे ठोस प्रतिबद्धता है, और यह हर अवतार पर लागू होती है, चाहे वह पहले से तैयार हो या ख़ास तौर पर बनाया गया। दूसरा सुरक्षा उपाय प्रक्रिया से जुड़ा है: कस्टम अवतार एक कारोबारी अनुमति-सूची और एक अलग सत्यापन प्रक्रिया के पीछे रखे गए हैं, और यह उस स्वाभाविक चिंता का Google का जवाब है कि किसी असली व्यक्ति का क्लोन बनाने के लिए एक तस्वीर और आवाज़ का एक नमूना काफ़ी हो सकता है।

यह वॉटरमार्क कारोबार के यूरोपीय हिस्से के लिए भी सही समय पर आया है। Live Avatar अमेरिका और यूरोपीय संघ में एंडपॉइंट के साथ उपलब्ध है, और यूरोपीय संघ के AI अधिनियम (AI Act) में अगस्त 2026 से लागू पारदर्शिता नियम हैं, जिनके तहत लोगों को यह बताना ज़रूरी है कि वे किसी AI प्रणाली से बात कर रहे हैं, और कृत्रिम ऑडियो व वीडियो को मशीन से पढ़े जा सकने वाले ढंग से चिह्नित करना भी ज़रूरी है। SynthID दूसरी शर्त पूरी करता है। पहली ज़िम्मेदारी अवतार को तैनात करने वाले की है, क्योंकि जो वॉटरमार्क किसी को दिखता ही नहीं, वह कॉल करने वाले को यह नहीं बताता कि स्क्रीन पर दिख रहा दोस्ताना चेहरा मशीन का बनाया हुआ है। Google चिह्न लगाने का इंतज़ाम कर सकता है; खुलासा उस बैंक, बीमा कंपनी या होटल शृंखला को करना होगा जो यह चेहरा अपने ग्राहकों के सामने रखती है।

लॉन्च जो बात छिपाकर रखता है, वह है क़ीमत। किसी भी घोषणा में अवतार परत के लिए कोई आँकड़ा नहीं दिया गया है; Cloud पोस्ट Google के जेनरेटिव AI के सामान्य मूल्य पृष्ठ और प्रोविज़न्ड थ्रूपुट की ओर इशारा करती है, और आरक्षित क्षमता तथा कस्टम अवतार, दोनों के लिए बिक्री प्रतिनिधि से संपर्क करना पड़ता है। संगठन पहले से तैयार चेहरों की एक चुनी हुई लाइब्रेरी में से चुन सकते हैं, या एक संदर्भ तस्वीर, एक ऑडियो नमूने और प्रणाली निर्देशों के एक सेट से अपना चेहरा बना सकते हैं, लेकिन यह कस्टम रास्ता अनुमति से बंधा है, स्वयं-सेवा वाला नहीं। Live मॉडल के लिए Extended Thinking अब भी निजी प्रीव्यू में है, जो फ़िलहाल Google के दूसरे Gemini मॉडलों की तुलना में इसकी तर्क-क्षमता की गहराई को सीमित करता है। विलंब के आँकड़े और एक साथ चलने वाले सत्रों की सीमाएँ प्रकाशित नहीं की गई हैं। यह सीमित रूपरेखा उसी ढर्रे से मेल खाती है जिससे Google अपने कारोबारी उत्पाद चरणबद्ध ढंग से उतारता है, जहाँ क़ीमत और क्षमता सार्वजनिक करने के बजाय बातचीत से तय होती हैं।

अवतार एक ऐसी श्रेणी में भी उतर रहा है जो पहले से मौजूद है। Synthesia, HeyGen और D-ID जैसी कंपनियों ने कृत्रिम प्रस्तुतकर्ताओं पर अपना कारोबार खड़ा किया है, ज़्यादातर प्रशिक्षण, मार्केटिंग और स्थानीय भाषाओं के उन वीडियो के लिए जो लाइव नहीं, बल्कि पहले से रेंडर किए जाते हैं। Google की पेशकश एक मामले में अलग है: चेहरा उसी मॉडल से जुड़ा है जो सुनता है, तर्क करता है और टूल चलाता है, और वह भी उसी कंसोल के भीतर जहाँ उद्यम पहले से अपने एजेंट बनाते हैं। इसके साथ ऑडियो मॉडलों का एक बड़ा परिवार भी है, जिसमें Gemini 3.5 Transcribe, Gemini 3.5 Live Translate और पाठ से वाणी बनाने वाले दो संस्करण, Gemini 3.8 Flash TTS और Gemini 3.8 Flash-Lite TTS, शामिल हैं। जो कंपनी पहले से Gemini एजेंट चला रही है, उसके लिए चेहरा जोड़ना किसी अलग विक्रेता के साथ अनुबंध के बजाय सेटिंग का एक विकल्प भर रह जाता है, और यही पैकेजिंग वह प्रतिस्पर्धी ख़तरा है जिसका जवाब विशेषज्ञ कंपनियों को देना होगा।

कुछ सवाल ऐसे हैं जिन्हें लॉन्च सामग्री छूती तक नहीं। चेहरा ऐसी उम्मीदें जगाता है जो आवाज़ नहीं जगाती: कॉल करने वाले चेहरे के भाव पढ़ते हैं, और दावा ठुकराते समय मुस्कुराता अवतार उसी जवाब को देने वाली तटस्थ आवाज़ से ज़्यादा बुरा असर छोड़ सकता है। बैंडविड्थ भी मायने रखती है, क्योंकि लगातार प्रवाहित वीडियो वाला एजेंट ग्राहक के कनेक्शन से फ़ोन लाइन की तुलना में ज़्यादा माँगता है, और जिन बाज़ारों में बहुभाषी सहायता सबसे क़ीमती है, उनमें से कई वही हैं जहाँ मोबाइल डेटा सबसे महँगा है। इनमें से कुछ भी लॉन्च पोस्ट से मापा नहीं जा सकता। यह पहली बड़ी तैनातियों के संतुष्टि और काम पूरा होने के आँकड़ों में दिखेगा, या नहीं दिखेगा।

Live Avatar के साथ Gemini 3.8 Live अब Gemini Enterprise कंसोल में और Gemini Live API के ज़रिए उपलब्ध है, और लगातार प्रवाहित एजेंट बनाने वाले डेवलपरों के लिए Agent Development Kit रास्ता है। Extended Thinking के लिए मौजूदा निजी प्रीव्यू समूह से आगे की कोई समय-सीमा प्रकाशित नहीं हुई है। इसे अपनाने वाले उद्यम उस सवाल का जवाब देंगे जिसका जवाब तकनीक ख़ुद नहीं देती: स्वचालित बातचीत की पहचान कराने वाले दृश्य संकेत को हटाना दूसरी तरफ़ मौजूद लोगों का अनुभव बेहतर बनाता है, या उस आख़िरी ईमानदार निशानी को मिटा देता है कि ऐसी बातचीत हो रही है।

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