У вашего сайта появилось лицо. Минута его работы стоит 37 центов

У вашего сайта появилось лицо. Минута его работы стоит 37 центов

Вчера в углу сайта висел чат-бот с полем ввода. Сегодня на его месте может стоять человек, который слушает, отвечает голосом и шевелит губами синхронно со словами. Его рисует нейросеть, 24 кадра в секунду.

Google объявила Gemini 3.8 Live with Live Avatar 24 сентября и сразу открыла общий доступ. Аватар работает в Gemini Enterprise и через Gemini Live API в Google Cloud. Источник: анонс в блоге Google. Сама голосовая модель Gemini 3.8 Live вышла 15 сентября.

Цифру из заголовка я посчитал по прайсу Google Cloud. Секунда видео аватара равна 6192 токенам, миллион таких токенов стоит 1 доллар. Минута речи выходит в 0,37 доллара. Голос сверху добавляет около 0,02 доллара. Пока аватар молчит и слушает, видео не тарифицируется.

Что умеет аватар

Модель одновременно принимает звук и видео от пользователя. Камера отдаёт кадр в секунду, этого хватает, чтобы аватар видел предмет в руке или экран, который ему показывают. Перебивать его можно: он замолкает и переключается на новый вопрос, а поверх говорящего человека не лезет.

Для бизнеса полезнее всего вызов инструментов в фоне. Аватар говорит «секунду, смотрю ваш заказ», а ваш сервер в это время ищет заказ в базе, проверяет свободные окна в расписании или создаёт сделку. Как такие вызовы устроены на российских моделях, я разбирал в статье про ИИ-агента с вызовом инструментов.

Языков 97. Модель сама замечает, что собеседник перешёл на другой язык, и отвечает на нём же, губы подстраиваются под каждый. Русский в списке готовых голосов есть. Артикулы и фамилии врачей модели подсказывают словарём.

Персонажа берут из готовой библиотеки и сочетают с одним из готовых голосов. Свой аватар создаётся по одной фотографии анфас, но пока только для отдельных корпоративных клиентов по запросу. Со своим голосом так же. Про копирование голоса по короткой записи я подробно писал в разборе Gemini TTS. Всё видео и аудио аватара помечено невидимым водяным знаком SynthID. Сама Google предлагает ставить аватар в поддержку клиентов и в интерактивные инструкции, например при заселении в гостиницу.

Сколько стоит 10-минутная консультация

Возьмём консультацию на 10 минут. Аватар говорит примерно половину времени, остальное слушает клиента.

Видео: 5 минут по 0,37 доллара, итого 1,86 доллара. Голос: 300 секунд по 25 токенов, 12 долларов за миллион, итого 0,09 доллара. Всё, что аватар выдаёт клиенту, укладывается примерно в 1,95 доллара.

Вход оплачивается отдельно. Звук клиента стоит 3 доллара за миллион токенов, кадры с камеры 1 доллар за миллион. Сам звук копеечный, за 10 минут набегает 15 тысяч токенов. Дорожает другое: на каждом новом ходе Live API заново оплачивает всю накопленную историю разговора. С включённой камерой история растёт быстрее, каждый кадр добавляет сотни токенов. Точную цену входа я считаю на пилоте, а в смету закладываю с запасом 3–4 доллара за консультацию.

С оператором на смене сравнение простое. Оператору платят за смену, даже когда никто не звонит, а в час пик остальные клиенты ждут его в очереди. Аватар оплачивается за секунды своей речи, параллельных разговоров столько, сколько разрешает квота проекта. Возвраты и конфликты всё равно остаются живому человеку.

Чего пока нельзя

Россия не входит в список стран, где официально работает Gemini API. Модель с аватаром развёрнута в регионах США и Евросоюза. Для компании в России это серая схема доступа, риск потерять аккаунт и данные клиентов за рубежом. Для бизнеса в ОАЭ и других странах из списка такого барьера нет.

Лицо клиента в видеопотоке относится к персональным данным по 152-ФЗ. Если по изображению устанавливают личность, это уже биометрия, и на неё нужно отдельное письменное согласие. Отправка кадров на серверы в другую страну считается трансграничной передачей, о ней заранее уведомляют Роскомнадзор. Для российских клиентов самый чистый вариант такой: аватар говорит, камера клиента выключена, человек общается голосом.

Свой персонаж по фото пока выдают только по запросу и только корпоративным клиентам. Google требует иметь все согласия на лицо и голос и запрещает фотографии детей и знаменитостей. Лицо основателя за вечер не сделать, на старте берём персонажа из библиотеки.

Отдельно про честность. SynthID проверяется специальным инструментом, клиент этот знак не увидит. Поэтому аватар в первой же фразе говорит, что он ИИ-помощник, и та же надпись стоит рядом с окном видео. Клиент, который сам догадался, что с ним говорил робот под видом человека, к вам больше не придёт.

Что можно сделать уже сейчас

Консультант на сайте. Лицо в углу страницы отвечает на вопросы по услугам, смотрит свободные окна, записывает клиента и сразу создаёт сделку в CRM через фоновые вызовы. Это тот же ИИ-консультант, только с лицом и голосом. Отвечает он по вашим прайсам, придумывать цены ему запрещено.

Сервис и продажи техники. Клиент наводит телефон на стиральную машину с кодом ошибки на табло или на шкаф, который не собирается. Аватар видит код или деталь и по шагам объясняет, что делать. Камеру просим направить на прибор, лицо в кадре не нужно.

Ресепшен гостиницы, клиники, автосалона. Экран у стойки встречает гостя на его языке: китайском, арабском, английском, русском. Помогает заселиться и зовёт администратора, когда вопрос выходит за рамки инструкции.

Тренажёр для сотрудников. Аватар играет недовольного клиента, который требует скидку или возврат. Менеджер отрабатывает разговор лицом к лицу, после сессии получает разбор своих ответов. Про симуляции для обучения я писал в статье о модели мира Agora-2.

Для проектов в России ту же логику собираю на моделях, которые здесь доступны, как в разборе голосового ассистента на российском стеке. Агента с доступом к вашим системам делаю в рамках услуги ИИ-агенты под ключ.

Частые вопросы

Можно ли сделать аватар с лицом нашего директора?

Технически да, по одной качественной фотографии анфас. Функция открыта только корпоративным клиентам по запросу, и нужно письменное согласие самого директора. Пока проще начать с готового персонажа.

Говорит ли аватар по-русски?

Да, русский есть среди языков модели и среди готовых голосов. Проверять лучше на своих текстах: фамилии, адреса, термины отрасли. Незнакомые слова модели подсказывают через словарь.

Платим ли мы, пока аватар ждёт клиента?

За видео нет, оно оплачивается только пока аватар говорит. Входящий звук и накопленный контекст разговора оплачиваются всегда, поэтому сессию с ушедшим клиентом лучше закрывать автоматически через минуту тишины.

Коротко о главном

Live Avatar в Gemini 3.8 Live даёт сайту говорящее лицо, которое видит клиента, понимает 97 языков и работает с вашими системами. Видео стоит около 37 центов за минуту речи, 10-минутная консультация с запасом укладывается в 3–4 доллара. Свой персонаж пока только для корпоративных клиентов по запросу, из России сервис официально недоступен.

Хотите лицо на сайте, экран на ресепшене или тренажёр для менеджеров? Напишите мне в Telegram слово «ЛИЦО». Посчитаю стоимость консультации на ваших цифрах и скажу, где вам нужен аватар, а где хватит голоса.