Arcot kap a Google Gemini: mit változtatnak az animált avatárok az MI-asszisztensekkel való beszélgetésen?

A mesterséges intelligenciával eddig jellemzően írásban vagy hangon beszélgettünk, most viszont a Google arcot ad a Gemini valós idejű asszisztensének. A Gemini 3.8 Live rendszerhez kapcsolódó Live Avatar funkcióval a gép animált, beszélő karakterként jelenik meg, és a szájmozgása a kimondott szavakhoz igazodik. Az újítás elsősorban vállalatoknak szól, de tágabb kérdést is felvet: másként viselkedünk-e, ha egy szoftver arccal néz vissza ránk?

Mit jelentett be a Google?

A Google Cloud 2026. szeptember 24-i bejelentése szerint a Gemini 3.8 Live a Live Avatar funkcióval általánosan elérhetővé vált a vállalati ügyfelek számára. A cég ugyanezen a napon a hivatalos blogján is bemutatta a fejlesztést.

A Google leírása szerint a rendszer egy natív, beszédből beszédet előállító hangmodellt kapcsol össze alacsony késleltetésű, másodpercenként 24 képkockás videógenerálással. A cég szerint ennek köszönhetően az avatár valós időben beszél és figyel, a szájmozgása pedig automatikusan szinkronban van a hanggal.

A Google Cloud közlése szerint a rendszer 97 nyelvet támogat automatikus nyelvfelismeréssel, és a nyelvek közötti váltás nem jár vizuális torzulással vagy minőségromlással. A többnyelvűséget az Ubergizmo technológiai portál beszámolója is kiemeli. A fejlesztői dokumentáció szerint a rendszer beszélgetés közben a felhasználó kameraképét és képernyőmegosztását is képes feldolgozni.

Miben más ez, mint egy hagyományos chatbot?

Az MI-asszisztensek fejlődése nagyjából három lépcsőben követhető: először a szöveges csevegés terjedt el, aztán a hangalapú beszélgetés, most pedig megjelenik a látható beszélgetőpartner. A különbség nemcsak esztétikai. Egy arc gesztusokkal, mimikával és szemkontaktust idéző tekintettel kíséri a mondanivalót, vagyis olyan jeleket ad, amelyekre az emberek a hétköznapi kommunikációban is reagálnak.

Mivel a rendszer a felhasználó kameraképét és képernyőjét is látja, a helyzet egy videohívásra emlékeztethet. Elképzelhető például, hogy egy ügyfélszolgálati avatár menet közben látja, hol akadt el valaki egy online űrlap kitöltésében, és ehhez igazítja a magyarázatát.

Saját arc a cégeknek, de szigorú feltételekkel

A HVG beszámolója szerint a vállalkozások két út közül választhatnak: egy előre elkészített karakterkönyvtárból válogathatnak, vagy saját márkájukra szabott, egyenruhás, jellegzetes gesztusokkal rendelkező avatárt terveztethetnek.

Az egyedi avatárok létrehozása azonban nem szabadon elérhető. A Google fejlesztői dokumentációja és a DataNorth tanácsadó cég elemzése szerint ehhez a vállalatnak engedélyezési listára kell kerülnie, és előzetes személyazonosság-ellenőrzésen is át kell esnie. Ez a megkötés azt a kockázatot hivatott csökkenteni, hogy valaki más ember arcával, az illető engedélye nélkül készítsen beszélő digitális másolatot.

A költségekről a DataNorth elemzése azt írja, hogy a kiegészítő videókimenet ára millió tokenenként 1 dollár, amely a meglévő hang- és szövegdíjakon felül jelentkezik. A token az az adategység, amely alapján az ilyen MI-szolgáltatások használatát mérik és számlázzák.

SynthID: láthatatlan vízjel a visszaélések ellen

Egy valósághű, valós időben beszélő arc kézenfekvő eszköze lehet a megtévesztésnek, ezért különösen fontos, hogyan lehet utólag felismerni a gépi eredetű tartalmat. A Google Cloud bejelentése szerint a rendszer minden hang- és videókimenetét szabad szemmel és füllel észrevehetetlen SynthID digitális vízjellel látják el.

A vízjel lényege, hogy a mesterségesen előállított felvétel akkor is azonosítható maradjon, ha kikerül eredeti környezetéből, például ha továbbküldik vagy megosztják a közösségi médiában. Ez a deepfake-típusú visszaélések elleni védekezés egyik eszköze, de nem csodaszer: a felismeréshez olyan ellenőrző eszköz kell, amely képes kiolvasni a jelet, a hétköznapi néző pedig magától nem látja.

Mi a helyzet a magánfelhasználókkal és Európában?

A sajtóbeszámolók, köztük a HVG cikke, döntően a vállalati bevezetésre összpontosítanak. A Google Gemini súgójának tájékoztatása szerint ugyanakkor személyes Google-fiókokban is léteznek avatárfunkciók, ezek azonban a súgó szerint az Európai Unióban és az Európai Gazdasági Térségben jelenleg szabályozási okokból nem érhetők el. Ez azt jelenti, hogy a magyarországi magánfelhasználók egyelőre valószínűleg nem készíthetnek ilyen avatárt; arról, hogy ez mikor változhat, eddig nem jelent meg nyilvános információ.

A Google súgója szerint ott, ahol a funkció elérhető, a saját avatár rögzítéséhez legalább 18 évesnek kell lenni, és a felvétel készítésekor meghatározott világítási és hangkörnyezeti feltételeknek is teljesülniük kell. A súgó tájékoztatása alapján kiskorúak a saját arcukkal és hangjukkal nem készíthetnek avatárt.

Bizalom vagy manipuláció? Az arc lélektana

Az arc az emberi kommunikáció egyik legerősebb jelzőrendszere, ezért nem meglepő, hogy a kutatók is vizsgálják, hogyan hatnak ránk a digitális emberek. Egy 2025-ben megjelent, lektorált tanulmány például a digitális emberi avatárok megítélését, a beléjük vetett bizalmat és a nézők tekintetének mozgását elemezte, vagyis azt, hogy egy mesterséges arc miként befolyásolja a nézők bizalmát.

Az üzleti oldal ennél határozottabban fogalmaz. A D-ID avatárfejlesztő cég marketingcélú blogbejegyzése szerint az emberi arc jelenléte közvetlenebbé teheti a kapcsolatot, és erősítheti az érzelmi bevonódást. Ez azonban egy érintett vállalat álláspontja, nem független kutatási eredmény, ezért érdemes ennek megfelelően kezelni.

Ugyanez a hatás kockázatot is jelenthet. A Mashable technológiai portál cikke arra figyelmeztet, hogy egy barátságos arcú MI túlzott empátiát szimulálhat, és az emberek hajlamosabbak lehetnek személyes információkat megosztani egy láthatóan reagáló felülettel. A lap értelmezése szerint ez adatvédelmi szempontból is aggályos, mert az arccal rendelkező asszisztens hatékonyabb adatgyűjtő eszközzé válhat.

Ehhez kapcsolódik a „hátborzongató völgy” néven ismert jelenség is: ha egy mesterséges arc majdnem, de nem egészen emberi, az sokakban inkább idegenkedést kelt, mint bizalmat. Az avatárok tervezőinek tehát egyszerre kell elég természetes és elég egyértelműen gépi karaktert alkotniuk.

Mire érdemes figyelni, ha arccal beszél a gép?

Az animált avatár mögött ugyanaz a szoftver áll, mint egy hangalapú vagy szöveges asszisztens mögött, csak a megjelenése emberibb. Érdemes ezért ugyanazzal az óvatossággal kezelni: a mosolygó arc nem jelenti azt, hogy a beszélgetés bizalmasabb vagy jobban védett lenne.

Aki egy cég ügyfélszolgálatán ilyen avatárral találkozik, annak célszerű tájékozódnia arról, hogyan kezelik a beszélgetés és a kamerakép adatait, és csak a valóban szükséges információt megadni. Az adatvédelmi beállításokról szóló korábbi összeállításunk ehhez is hasznos kiindulópont lehet. A Gemini avatárjai jól mutatják, merre tart a technológia: a gépek egyre emberibb formában szólalnak meg, ezért a tudatos, kritikus használat egyre többet számít.