Gemini 3.8 Live Avatar: 97 no post, 24 na API

O avatar do Gemini 3.8 entra em produção. O post fala em 97 idiomas. A tabela da API lista 24.

O Google publicou nesta quinta (24) que o Gemini 3.8 Live com Live Avatar está em disponibilidade geral no Gemini Enterprise. O post do Cloud e o blog usam o mesmo número de idiomas: 97. A tabela da Live API, com atualização em 24 de setembro de 2026, lista 24. A linha de português é pt-BR. O rosto gerado a partir de uma foto segue para clientes selecionados, via time de conta.

Google Cloud / Divulgação. Captura do post que anuncia a disponibilidade geral.

Overrated

ler 97 idiomas e achar que o app do celular ganhou um rosto

Underrated

US$ 1 por milhão de tokens de vídeo, e a cobrança do vídeo só corre enquanto a boca mexe

O que a ficha de hoje descreve

O ID na documentação é gemini-3.8-live. A visão geral da Live API, também atualizada em 24 de setembro, marca esse modelo como generally available e inclui “Live avatar” na lista de recursos. O Gemini 3.8 Live Extended Thinking fica de fora deste anúncio: o post do Cloud diz que segue em prévia privada.

O que os dois posts e a documentação descrevem. Sem ensaio desta redação.

Vídeo com lip-sync. Para ligar o avatar, a página de configuração manda response_modalities em VIDEO. A ficha técnica da visão geral registra a saída de vídeo do avatar como mp4.
Ferramenta no fundo. O Cloud diz que a chamada de ferramenta segue enquanto a conversa continua.
Câmera e tela. O mesmo post diz que o modelo processa câmera ao vivo e compartilhamento de tela junto com o áudio. A ficha de entrada marca imagem e vídeo como JPEG a 1 quadro por segundo.
Onde roda. Endpoints nos Estados Unidos e na União Europeia, com throughput provisionado. O texto manda falar com o vendedor da Google Cloud. Brasil não entra nessa frase.
SynthID no áudio e no vídeo gerados. Os dois posts dizem que a marca é imperceptível.

O model card do Gemini 3.8 Audio, publicado em 15 de setembro, já tratava o avatar como capacidade opcional. A novidade desta quinta é a disponibilidade geral no Enterprise.

97 no post, 24 na tabela

O blog fala em troca de idioma no meio da conversa, com lip-sync, em 97 idiomas. O Cloud diz que o Gemini 3.8 Live entende e fala 97 idiomas, com detecção automática.

A página de idioma e voz tem outra conta. A seção “Languages supported” traz 24 linhas, com código BCP-47. Estão lá árabe do Egito, inglês dos EUA, hindi, japonês, espanhol dos EUA e português do Brasil. A visão geral resume a mesma página numa frase: “Converse in 24 supported languages.”

O número que a documentação manda configurar é o da tabela. O 97 está nos posts. Esta redação não recebeu da Google uma lista dos 97.

Na mesma página de voz, as opções prontas são 30. O exemplo de código do avatar usa o nome Ben e a voz Puck. É amostra de documentação, não um catálogo de um rosto só.

O segundo de vídeo é barato. A sessão acumula.

Na tabela de preço do Agent Platform, a linha Gemini 3.8 Live API, na coluna que a página chama de non-global, cobra por milhão de tokens:

entrada de texto, US$ 0,75
entrada de vídeo e imagem, US$ 1
entrada de áudio, US$ 3
saída de texto, resposta e raciocínio, US$ 4,50
saída de áudio, US$ 12
saída de vídeo do avatar, US$ 1

A nota de cobrança da Live API, na mesma página, converte vídeo de avatar em 6.192 tokens por segundo. A cobrança dessa linha, diz a nota, vale enquanto o avatar fala. O tempo em que ele só escuta fica de fora do vídeo.

A conta desta redação, com esses dois números: 6.192 ÷ 1.000.000 × US$ 1 = US$ 0,006192 por segundo de vídeo. Um minuto dá US$ 0,37. Isso é o vídeo. A mesma nota converte áudio em 25 tokens por segundo e não separa, nessa frase, entrada e saída. Aplicada à saída de áudio, a US$ 12 por milhão, a conta dá US$ 0,018 por minuto de fala.

A nota ainda diz que tokens de turnos anteriores são reprocessados e cobrados de novo a cada turno, até o limite da janela. O minuto de boca aberta é uma linha. A fatura é a janela inteira.

O model card corta a sessão por outro lado. Com Live Avatar, a saída declarada é de 24 mil tokens — áudio, vídeo e texto. Sem o avatar, o mesmo card fala em 64 mil. A limitação conhecida é direta: o avatar aguenta alguns minutos de interação contínua, e o card contrapõe isso a horas seguidas. O corte de conhecimento do card é janeiro de 2025.

O rosto da foto passa pelo time de conta

Avatar pronto, a documentação configura no console: modelo gemini-3.8-live, Live Avatar ligado, um avatar e uma voz. Avatar a partir de uma foto é outra porta. A imagem entra em customized_avatar. O Cloud e a documentação repetem a trava: clientes selecionados, pelo time de conta da Google Cloud. O cliente é quem precisa ter o direito sobre o rosto e sobre a voz.

Google Cloud / Divulgação. Demonstração de avatar customizado no post do Cloud.

A especificação da foto, na documentação atualizada hoje:

PNG, RGB, no mínimo 704 × 1280, menos de 5 MB. O padrão é retrato 9:16. Paisagem também entra.
Busto. Cabeça e ombros em mais de 60% do quadro. Sem braço, sem mão, sem microfone, sem celular na foto.
Fundo simples, sem outra pessoa. Rosto de frente, expressão neutra, sem sorriso, sem dente à mostra.
A página veta imagem de menor, de celebridade e conteúdo ofensivo.

Voz customizada é outra lista de acesso. A amostra pedida é PCM de 10 a 20 segundos. O demo do Cloud mostra foto e amostra de áudio no mesmo fluxo. A documentação separa as duas travas.

Os posts desta quinta colocam o Live Avatar no Gemini Enterprise. O model card de 15 de setembro lista o app Gemini entre os canais do Gemini 3.8 Live, o modelo de áudio. São frases de produtos diferentes.

Fontes

The Zero.

O avatar do Gemini 3.8 entra em produção. O post fala em 97 idiomas. A tabela da API lista 24.

Google Cloud / Divulgação. Captura do post que anuncia a disponibilidade geral.

Overrated

ler 97 idiomas e achar que o app do celular ganhou um rosto

Underrated

US$ 1 por milhão de tokens de vídeo, e a cobrança do vídeo só corre enquanto a boca mexe

O que a ficha de hoje descreve

O que os dois posts e a documentação descrevem. Sem ensaio desta redação.

Vídeo com lip-sync. Para ligar o avatar, a página de configuração manda response_modalities em VIDEO. A ficha técnica da visão geral registra a saída de vídeo do avatar como mp4.
Ferramenta no fundo. O Cloud diz que a chamada de ferramenta segue enquanto a conversa continua.
Câmera e tela. O mesmo post diz que o modelo processa câmera ao vivo e compartilhamento de tela junto com o áudio. A ficha de entrada marca imagem e vídeo como JPEG a 1 quadro por segundo.
Onde roda. Endpoints nos Estados Unidos e na União Europeia, com throughput provisionado. O texto manda falar com o vendedor da Google Cloud. Brasil não entra nessa frase.
SynthID no áudio e no vídeo gerados. Os dois posts dizem que a marca é imperceptível.

O model card do Gemini 3.8 Audio, publicado em 15 de setembro, já tratava o avatar como capacidade opcional. A novidade desta quinta é a disponibilidade geral no Enterprise.

97 no post, 24 na tabela

O blog fala em troca de idioma no meio da conversa, com lip-sync, em 97 idiomas. O Cloud diz que o Gemini 3.8 Live entende e fala 97 idiomas, com detecção automática.

O número que a documentação manda configurar é o da tabela. O 97 está nos posts. Esta redação não recebeu da Google uma lista dos 97.

Na mesma página de voz, as opções prontas são 30. O exemplo de código do avatar usa o nome Ben e a voz Puck. É amostra de documentação, não um catálogo de um rosto só.

O segundo de vídeo é barato. A sessão acumula.

Na tabela de preço do Agent Platform, a linha Gemini 3.8 Live API, na coluna que a página chama de non-global, cobra por milhão de tokens:

entrada de texto, US$ 0,75
entrada de vídeo e imagem, US$ 1
entrada de áudio, US$ 3
saída de texto, resposta e raciocínio, US$ 4,50
saída de áudio, US$ 12
saída de vídeo do avatar, US$ 1

A nota ainda diz que tokens de turnos anteriores são reprocessados e cobrados de novo a cada turno, até o limite da janela. O minuto de boca aberta é uma linha. A fatura é a janela inteira.

O rosto da foto passa pelo time de conta

Google Cloud / Divulgação. Demonstração de avatar customizado no post do Cloud.

A especificação da foto, na documentação atualizada hoje:

PNG, RGB, no mínimo 704 × 1280, menos de 5 MB. O padrão é retrato 9:16. Paisagem também entra.
Busto. Cabeça e ombros em mais de 60% do quadro. Sem braço, sem mão, sem microfone, sem celular na foto.
Fundo simples, sem outra pessoa. Rosto de frente, expressão neutra, sem sorriso, sem dente à mostra.
A página veta imagem de menor, de celebridade e conteúdo ofensivo.

Voz customizada é outra lista de acesso. A amostra pedida é PCM de 10 a 20 segundos. O demo do Cloud mostra foto e amostra de áudio no mesmo fluxo. A documentação separa as duas travas.

Fontes

The Zero.