Google ने लाइव्ह अवतार सादर केला आहे, जीमिनी 3.8 लाइव्हसाठी एक नवीन क्षमता जी कंपनीच्या संभाषणात्मक AI ला जवळचा-रिअल-टाइम व्हिडिओ चेहरा देते. WERSM द्वारे तपशीलवार वर्णन केलेल्या तिच्या अधिकृत घोषणेमध्ये, Google ने हे वैशिष्ट्य एक एंटरप्राइझ एजंट म्हणून सादर केले आहे जे डायनॅमिक व्हिज्युअल व्यक्तिमत्व राखून ऐकू शकते, पाहू शकते आणि बोलू शकते — जेमिनी एंटरप्राइझ, कंपनीच्या व्यवसाय AI ऑफरद्वारे उपलब्ध आहे.

रोलआउट जवळजवळ एका आठवड्यापासून कव्हरेज गोळा करत आहे: उद्योग आउटलेटने गेल्या आठवड्याच्या अखेरीस जेमिनी 3.8 लाइव्ह मधील व्हिज्युअल-उपस्थिती वैशिष्ट्याचा अहवाल देण्यास सुरुवात केली आणि डेक्कन हेराल्डने सोमवारी बातमी पुढे नेली, हे वैशिष्ट्य "AI चॅटबॉटवर एक चेहरा ठेवते" हे लक्षात घेऊन. AI टूल्स आणि असिस्टंट्स चे मूल्यमापन करणाऱ्या व्यवसायांसाठी, एंटरप्राइझ संभाषणात्मक AI कुठे सुरू आहे हे घोषणा सिग्नल देते: कमी चॅट विंडो, अधिक नेहमी-ऑन सेवा प्रतिनिधी.

लाइव्ह अवतार प्रत्यक्षात काय करतो

लाइव्ह अवतार जेमिनीच्या थेट संवाद क्षमतांसह जवळच्या-रिअल-टाइम व्हिडिओ जनरेशनला जोडतो. Google अचूक ओठ-सिंकिंग, नैसर्गिक अभिव्यक्ती आणि द्रव वळण-घेणे हायलाइट करते — जे यांत्रिकी बोलणारे डोके विचित्र ऐवजी उपस्थित वाटते.

परंतु अधिक परिणामकारक तपशील चेहऱ्याच्या मागे बसतात. घोषणेनुसार:

  • एकाच वेळी मल्टीमोडल इनपुट. एजंट व्हिज्युअल आणि ऑडिओ इनपुटवर एकाच वेळी प्रक्रिया करू शकतो, त्यांना वेगळे वळण म्हणून हाताळण्याऐवजी.
  • असिंक्रोनस टूल कॉल. संभाषण सुरू असताना लाइव्ह अवतार पार्श्वभूमीत माहिती मिळवू शकतो. Google चे उदाहरण हॉटेल चेक-इन आहे, जेथे एजंट अतिथीला लोडिंग स्थितीकडे न पाहता एक जटिल कार्य हाताळतो.
  • 97-भाषेचे कव्हरेज. Google म्हणते की अवतार 97 भाषांमध्ये लिप-सिंक आणि अभिव्यक्ती दृश्यमान प्रवाहाशिवाय बदलू शकतो — त्याच ब्रँडेड एजंटने त्याचे स्पोकन डिलिव्हरी बदलताना संपूर्ण बाजारपेठांमध्ये एक सुसंगत ओळख आहे.

तो शेवटचा मुद्दा वैशिष्ट्याचा सर्वात व्यावसायिकदृष्ट्या महत्त्वपूर्ण असू शकतो. पारंपारिक चॅटबॉट वापरकर्त्याला उत्तराची वाट पाहतो; लाइव्ह अवतार सिस्टीम खाली काम करत असताना परस्परसंवाद चालू ठेवण्यासाठी डिझाइन केले आहे. चेहरा सातत्य निर्माण करतो, परंतु अंतर्निहित वर्तन सेवा कार्यप्रवाहाच्या जवळ आहे जे संभाषणात्मक राहते.

चॅटबॉटपासून ब्रँडेड उपस्थितीपर्यंत

Google चे फ्रेमिंग ब्रँडना टॉगल सक्षम करण्यापेक्षा बरेच काही करण्यास सांगते. लाइव्ह अवतार उपयोजित करणाऱ्या कंपन्यांना पात्र डिझाइन करण्यासाठी आमंत्रित केले जात आहे - एक दृश्य ओळख, बोलण्याची पद्धत, एक व्यक्तिमत्त्व जे त्यांचे ग्राहक टचपॉइंट आणि भाषांमध्ये ओळखतील.

हे एंटरप्राइझ AI ला युटिलिटी वापरकर्त्यांकडून सहन करणाऱ्या वापरकर्त्यांशी संबंधित असलेल्या उपस्थितीत बदलते आणि ते डिझाइन निर्णय घेते — एजंट कसा दिसतो, तो कसा प्रतिसाद देतो, तो हसतो तेव्हा — मॉडेलच्या गुणवत्तेच्या खाली असलेल्या समान पायावर. हे सुसंगततेवरही अडथळे आणते: एक अवतार जो संपूर्ण भाषांमध्ये स्वतःला विरोध करतो किंवा वेगवेगळ्या चॅनेलवर वेगळ्या पद्धतीने वागतो, जो चेहऱ्यावर निर्माण करायचा आहे तो विश्वास कमी करतो.

एंटरप्राइझ प्रथम, आत्तासाठी

अनेक अहवालांनुसार, प्रारंभिक उपलब्धता जेमिनी एंटरप्राइझपर्यंत मर्यादित आहे आणि Google ने ग्राहक रोलआउटसाठी टाइमलाइन जाहीर केलेली नाही. ते Google च्या AI वैशिष्ट्यांसाठी परिचित पॅटर्नमध्ये लाइव्ह अवतार ठेवते: सार्वजनिक सहाय्यकापर्यंत क्षमता पोहोचण्यापूर्वी व्यावसायिक उत्पादने प्रथम पाठवली जातात, जिथे तैनाती नियंत्रित केली जाते आणि कमाई थेट असते.

एंटरप्राइझ-प्रथम दृष्टीकोन देखील वैशिष्ट्याची मागणी दर्शवते. थेट संवादाच्या शीर्षस्थानी स्तरित रिअल-टाइम व्हिडिओ जनरेशन संगणकीयदृष्ट्या महाग आहे, आणि एंटरप्राइझ वर्कलोड्स — ग्राहक सेवा डेस्क, बुकिंग फ्लो, वैयक्तिक कियोस्क — परिभाषित स्कोपसह येतात जिथे खर्च कर्मचाऱ्यांच्या बदली किंवा वाढवलेल्या वेळेनुसार न्याय्य ठरू शकतो.

विश्वासाचे समीकरण

वापरकर्ते काय लक्षात घेतात आणि ते काय माफ करतात हे एक चेहरा बदलतो. तंतोतंत लिप-सिंकिंग, नैसर्गिक अभिव्यक्ती आणि द्रव टर्न-टेकिंगवर Google चा भर कॉस्मेटिक नाही: ते तंतोतंत अशा शिवण आहेत जेथे कृत्रिम व्यक्तिमत्व तुटते आणि वापरकर्ते विलंबित प्रतिक्रिया किंवा चुकीच्या वेळेवर अभिव्यक्ती शोधण्यात अधिक जलद असतात.

हे व्यवसायांसाठी दोन्ही मार्ग कट करते. चांगल्या प्रकारे कार्यान्वित केलेला अवतार स्वयंचलित सेवा उपस्थित असल्याचे जाणवू शकतो; खराबपणे अंमलात आणलेल्या व्यक्तीला तेच ऑटोमेशन फसवे वाटू शकते - एक चेहरा जो अंतर्निहित प्रणालीकडे नाही. Google ने वर्णन केलेले असिंक्रोनस टूल कॉल, त्या अर्थाने, एक विश्वास यंत्रणा देखील आहे: उत्तर आधीच तयार असल्याचे भासवण्याऐवजी, सिस्टम कार्य करत असताना अवतार संभाषण दृश्यमानपणे जिवंत ठेवतो.

लाइव्ह अवतार उपयोजित करणाऱ्या एंटरप्रायझेसचा कोरियोग्राफीवर प्रभावीपणे न्याय केला जाईल — व्यक्तिमत्व विराम, दुरुस्त्या आणि व्यत्यय कसे हाताळते. घोषणा सूचित करते की Google ने त्या क्षणांना पॉलिश करण्याऐवजी मुख्य अभियांत्रिकी समस्या म्हणून हाताळले आहे, जे कोणत्याही ग्राहकाला सामोरे जाण्याची मागणी करेल.

हे महत्त्वाचे का आहे

व्हॉइस सहाय्यकांनी AI संभाषणात्मक केले; अवतार ते सादरीकरणात्मक बनवतात. लाइव्ह अवतार वर्णन केल्याप्रमाणे कार्य करत असल्यास — सिंक्रोनस दृश्य आणि आवाज, पार्श्वभूमी साधन वापर, बहुभाषिक लिप-सिंक — एंटरप्राइझ AI साठी इंटरफेस एक मजकूर बॉक्स बनणे थांबवते आणि कंपनी नियंत्रित करत असलेले वर्ण बनू लागते.

दत्तक घेण्याचा खुला प्रश्न आहे: व्यवसायांना त्यांच्या AI चा चेहरा प्रत्यक्षात हवा आहे का, किंवा वैशिष्ट्य डेमो-फ्लोर शोपीस राहिले आहे का. Google माजी वर सट्टा आहे. 97 भाषा आणि पार्श्वभूमी साधनाचा वापर करून, कंपनीने जागतिक ब्रँड शोधणे सोपे केले आहे.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →