Laut Google koppelt das Modell seine Live-Dialogfähigkeit direkt mit einem Videostrom geringer Latenz; das Gesicht spricht nahezu in Echtzeit. Es verarbeitet zugleich Kamerabilder und Bildschirmfreigaben, ruft Werkzeuge asynchron auf und versteht und spricht 97 Sprachen. Alle Audio- und Videoströme tragen SynthID, Googles unsichtbares Wasserzeichen für KI-erzeugte Inhalte.
Verfügbar ist die Funktion in Gemini Enterprise, mit Rechenzentren in den USA und der EU. Zur Wahl stehen fertige Avatare aus einer kuratierten Bibliothek. Eigene Avatare gibt es nur nach einer strengen Freischaltung und Prüfung des Unternehmens. Die Variante mit längerer Denkzeit, Gemini 3.8 Live Extended Thinking, bleibt in einer geschlossenen Vorschau.
Die Avatar-Funktion baut auf Gemini 3.8 Live auf, das Google DeepMind am 15. September vorgestellt hat. Artificial Analysis führte die Basisvariante damals auf Rang fünf seines Speech-to-Speech-Index, die Denk-Variante auf Rang eins. Eine unabhängige Messung der Avatare selbst gibt es bisher nicht; zu den Kosten verweist Google nur auf seine Preisseite.