问题
企业想部署“能听、能看、能说、边对话边调工具”的实时多模态对话代理（信号 1），但直接对接 Gemini 或 Meta 的新能力需要实时流式编排、唇形同步、工具调用和多语言语音链路，客服/运营团队自己搞不定，通用客服 SaaS 也还没跟上这波实时数字人形态。
目标用户
需要在线客服的中小企业客服/运营负责人，尤其是跨境、多语言场景（97 种语言语音直连是明确卖点）；市场体量大（所有有线上客服的商家），但对新形态的真实付费意愿尚未验证。
解决方案
- 无代码数字人搭建：上传一张参考图生成自定义数字人形象，配置声音与性格
- 实时多模态会话：语音到语音直连，支持 97 种语言，带唇形同步的表情视频
- 对话中后台工具调用：客户说话的同时查订单、调 API、走异步工具
- 知识库与流程配置：把常见客服流程变成可视化的对话策略
- AI 的角色：调用大厂的实时多模态模型做语音/视觉/视频生成，产品自身负责编排、配置与企业工作流
为什么是现在
两周内 Google 与 Meta 相继发布了实时数字人能力：Gemini 3.8 Live 的 Live Avatar 支持“近实时视频生成+语音同步、对话中异步工具调用、97 种语言语音到语音”（信号 1、3），Meta 的 Muse Realtime Avatar 也把实时交互数字人开放给开发者（信号 2）。底层能力刚刚可用且被两家巨头同时供给，封装成企业易用产品的窗口刚刚打开。
MVP 范围
做：
- 接入 Gemini Live API（或 Meta Muse）的托管集成层：上传一张参考图生成品牌数字人形象
- 可视化配置对话流程、后台工具调用（查订单、改预约等）与知识库
- 网页嵌入式挂件 + 97 种语言的语音到语音自动切换
- 会话记录与转人工兜底
不做：
- 不自研视频生成或语音模型
- 不做本地部署/私有化
- 不做复杂数据分析后台
风险
- 平台依赖：核心能力完全押在 Google / Meta 的 API 上，价格、限额、接口变动随时可能吃掉利润空间
- 巨头挤压：Google 已经把 Live Avatar 直接打包进 Gemini Enterprise，Meta 也开放给开发者，封装层的差异化窗口可能很短
- 合规风险：数字人客服涉及身份披露与水印（信号中提到 SynthID），部分地区对合成形象有监管要求
- 实时成本：近实时视频生成的推理成本高，按量计费模式下定价不好做
已有产品
| 产品 | 定位 | 价格 |
|---|---|---|
| Gemini Enterprise | Google 面向企业的多模态对话代理方案，自带 Live Avatar 能力 | — |
| Live Avatar | Google 实时视频生成+语音同步的数字人形象功能，是本机会的核心底层能力 | — |
| Muse Realtime Avatar | Meta 的实时交互数字人技术，同样面向对话式 AI 开发者 | — |
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
TLDR AI9月25日新品发布
“Google launched Gemini 3.8 Live featuring a Live Avatar, enhancing user interaction.”
Google launched Gemini 3.8 Live featuring a Live Avatar, offering real-time responses and more personalized user experiences.原文
TLDR AI9月25日新能力
“Meta has introduced Muse Realtime Avatar, a technology that transforms conversations into expressive, interactive avatars in real time.”
Meta introduced Muse Realtime Avatar, a technology that transforms conversations into expressive, interactive avatars in real time.原文
Google DeepMind Blog9月24日新能力隐含付费意愿
“By pairing near real-time video generation with speech, the Live Avatar feature creates an experience that listens, sees, and speaks with a dynamic visual persona.”
Enterprises need live multimodal conversational AI that can generate a real-time visual avatar with synced speech, see and hear inputs, and execute tools in the background during dialogue.原文