هوش مصنوعی جمینای چهره‌ای تازه پیدا کرد؛ معرفی قابلیت Live Avatar گوگل

هوش مصنوعی جمینای چهره‌ای تازه پیدا کرد؛ معرفی قابلیت Live Avatar گوگل

گوگل با ارائه قابلیت جدیدی با عنوان Live Avatar، شکل تازه‌ای از تعامل با هوش مصنوعی جمینای را به نمایش گذاشته است. این قابلیت که برای مدل Gemini 3.8 Live طراحی شده، امکان گفت‌وگو با یک شخصیت دیجیتالی متحرک را فراهم می‌کند. در این تجربه، کاربر دیگر فقط با یک پنجره متنی یا صدای تولیدشده توسط هوش مصنوعی روبه‌رو نیست، بلکه می‌تواند شخصیتی را روی نمایشگر ببیند که هنگام صحبت کردن، حرکات و حالات چهره خود را متناسب با جریان مکالمه تغییر می‌دهد.

Live Avatar در واقع تلاش گوگل برای نزدیک‌تر کردن ارتباط انسان و هوش مصنوعی به یک گفت‌وگوی طبیعی و رودررو است. این فناوری صدا، تصویر و پردازش ویدیو را به شکل هم‌زمان در کنار یکدیگر قرار می‌دهد. نتیجه این فرایند، آواتاری است که هنگام پاسخ دادن، حرکت لب‌های خود را با کلمات هماهنگ می‌کند و ظاهر آن با روند صحبت کردن تغییر می‌یابد. چنین رویکردی می‌تواند تجربه استفاده از دستیارهای هوشمند را برای کاربرانی که ارتباط تصویری را ترجیح می‌دهند، متفاوت‌تر کند.

پشتیبانی از زبان‌های متعدد یکی از بخش‌های قابل توجه این فناوری محسوب می‌شود. طبق اعلام گوگل، آواتار زنده می‌تواند از ۹۷ زبان پشتیبانی کند و در زمان تغییر زبان، هماهنگی میان گفتار و حرکات چهره را حفظ کند. نمونه‌های منتشرشده از این قابلیت، عملکرد آواتار را هنگام صحبت به زبان‌های انگلیسی و ژاپنی نشان می‌دهند. در این نمونه‌ها، حرکت دهان شخصیت دیجیتالی با صدای تولیدشده هماهنگ است و تغییر زبان نیز باعث از بین رفتن پیوستگی تصویری نمی‌شود. این ویژگی برای محیط‌هایی که کاربران با زبان‌های مختلف با یک سرویس ارتباط دارند، اهمیت ویژه‌ای خواهد داشت.

Live Avatar تنها به نمایش یک چهره متحرک محدود نمی‌شود. این سیستم می‌تواند در جریان گفت‌وگو، اطلاعات و محتوای مرتبط را نیز روی صفحه ارائه کند. به این ترتیب، تعامل کاربر با هوش مصنوعی می‌تواند هم‌زمان جنبه گفتاری و بصری داشته باشد. برای نمونه، یک دستیار مجازی در محیط کاری ممکن است هنگام توضیح یک موضوع، داده‌ها یا محتوای مرتبط را در کنار تصویر خود نمایش دهد. ترکیب این عناصر می‌تواند کاربرد چت‌بات‌ها را از پاسخ‌گویی متنی فراتر ببرد.

معرفی Live Avatar مدت کوتاهی پس از ارائه Gemini 3.8 Live انجام شده است؛ مدلی که تمرکز ویژه‌ای بر پردازش سریع ورودی‌های بصری دارد. اضافه شدن آواتار زنده به چنین مدلی، مسیر گوگل برای توسعه سیستم‌های چندوجهی را بیشتر نشان می‌دهد. در این ساختار، هوش مصنوعی تنها متن را دریافت و تولید نمی‌کند، بلکه می‌تواند صدا، تصویر و محتوای بصری را نیز در یک تجربه واحد به کاربر ارائه دهد.

یکی از حوزه‌هایی که می‌تواند از این فناوری استفاده کند، کسب‌وکارها هستند. شرکت‌ها می‌توانند از آواتارهای هوشمند برای پاسخ‌گویی به مشتریان، ارائه راهنمای مجازی، آموزش کارکنان یا معرفی خدمات استفاده کنند. گوگل مجموعه‌ای از شخصیت‌های آماده را در اختیار سازمان‌ها قرار می‌دهد و در عین حال امکان ساخت آواتار اختصاصی نیز وجود دارد. بنابراین هر مجموعه می‌تواند شخصیت دیجیتالی خود را با ظاهر و هویت بصری هماهنگ با برندش طراحی کند.

در کنار قابلیت‌های تعاملی، موضوع امنیت و اصالت محتوای تولیدشده نیز مورد توجه قرار گرفته است. گوگل اعلام کرده خروجی‌های مربوط به این فناوری به واترمارک نامرئی SynthID مجهز می‌شوند. هدف از این اقدام، کمک به تشخیص محتوای تولیدشده با هوش مصنوعی و کاهش احتمال سوءاستفاده از خروجی‌های بصری عنوان شده است. همچنین برای استفاده مسئولانه از چهره‌ها، ملاحظاتی درباره هویت افراد در نظر گرفته شده تا امکان سوءاستفاده از شباهت اشخاص محدودتر شود.

گوگل همچنین روی طبیعی‌تر شدن نوبت‌گیری در مکالمه تمرکز کرده است. در گفت‌وگوی انسانی، افراد معمولاً بدون مکث‌های طولانی و غیرطبیعی، زمان صحبت کردن را میان یکدیگر جابه‌جا می‌کنند. هماهنگ شدن این فرایند با آواتار دیجیتالی می‌تواند باعث شود مکالمه با هوش مصنوعی روان‌تر به نظر برسد و تجربه کاربر فاصله کمتری با یک گفت‌وگوی زنده داشته باشد.

این رویکرد همچنین می‌تواند در حوزه‌هایی مانند خدمات اطلاعاتی، پذیرش دیجیتال، آموزش آنلاین و مراکز پاسخ‌گویی کاربرد پیدا کند. با این حال، میزان موفقیت آن به عواملی مانند کیفیت پاسخ‌ها، سرعت پردازش، طبیعی بودن حرکات چهره و اعتماد کاربران وابسته خواهد بود. هرچه این عناصر هماهنگ‌تر عمل کنند، مرز میان یک دستیار نرم‌افزاری و یک شخصیت مجازی تعاملی کمرنگ‌تر می‌شود. در آینده

با وجود قابلیت‌های جدید، Live Avatar هنوز برای عموم کاربران عرضه نشده است. در حال حاضر این فناوری در اختیار مشتریان سازمانی Gemini Enterprise قرار گرفته و گوگل درباره عرضه گسترده آن برای کاربران عادی برنامه مشخصی اعلام نکرده است. بنابراین فعلاً باید این ویژگی را بخشی از امکانات تجاری اکوسیستم جمینای دانست. توسعه چنین فناوری‌هایی نشان می‌دهد گوگل به دنبال آن است که هوش مصنوعی را از یک ابزار صرفاً متنی به همراهی چندوجهی تبدیل کند؛ همراهی که می‌تواند صحبت کند، واکنش تصویری نشان دهد، اطلاعات را هم‌زمان نمایش دهد و در محیط‌های کاری با کاربران تعامل طبیعی‌تری داشته باشد.