Google собрала зрение, речь, лицо и инструменты агента в одном контуре
Gemini Live Avatar одновременно принимает голос, камеру или экран и отвечает синхронизированными видео и речью.
Агент продолжает разговор, пока асинхронно вызывает инструменты и API.
Система поддерживает 97 языков, а пользователь может перебить аватара без потери контекста.
Активная речь аватара обходится примерно в $0,39 за минуту; длинная сессия дорожает из-за повторной обработки контекста.
Почему важно
Разговорного видеоагента теперь можно собрать без склейки отдельных LLM, распознавания речи, синтеза голоса и видеорендера.