會對嘴的虛擬人上線了，而市場裡早就有人在 97 種語言間比手畫腳

9 月 25 日，谷歌宣布在 Gemini 3.8 Live 上推出 Live Avatar 功能。一個會說話的虛擬人，脣形跟著語音即時對上，表情自然，據官方說法能在 97 種語言之間無縫切換，畫面不掉品質、不出現怪異的視覺偏移。新聞裡講的是企業服務、API、白名單，這些詞離廚房很遠。但你如果曾在國外的市場裡，用比手畫腳買過一條魚，就會知道「跨越語言把話說清楚」這件事，餐桌邊的人類已經練習了幾百年。

脣形對上了，聲音才有人味

工程師最在意的「脣形同步」，聽起來冷冰冰，其實你在每一個麵攤都見過。老闆娘一邊切滷味一邊回你話，嘴型跟著語調走，「要不要辣」四個字，嘴脣開合的節奏跟你熟悉的臺語腔調完全貼合。你看著她的嘴，就先信了這句話。反過來說，看配音沒對準嘴型的影片，哪怕內容再好，你就是覺得哪裡怪，那種「怪」，就是大腦在告訴你：這個聲音跟這張臉，不是同一個人。

谷歌把這件事交給機器做，做到了接近即時。技術上的難處在於，語音是流動的，畫面也是流動的，兩條流要貼在一起，還要在中途從中文切到泰文、再切到阿拉伯文時，嘴型跟著變、表情跟著換。這像什麼？像一個在夜市賣了三十年牛雜湯的越南裔老闆，客人輪流用越南話、臺語、英文點餐，他一句都不含糊，語調換了，手上的剪刀沒停過。

97 種語言，其實是一張菜單的長度

官方數字是 97 種語言。這個數字放在餐飲的語境裡，差不多等於把全世界的菜單攤開。你在曼谷的市場指著一鍋綠咖哩，在伊斯坦堡的巷口比著一串烤肉，在大阪的黑門市場問一顆海膽的價錢，每一次點餐都是一次小型的多語言工程。以前靠的是計算機上的數字、手指比出的份量、還有攤販臉上那種「懂了懂了」的笑。

這種溝通笨拙，卻有一種溫度。數字按下去的時候，你們兩個人都盯著那個小小的螢幕，一起等那個價錢出現，那幾秒鐘的共同等待，本身就是一頓飯的開胃菜。虛擬人不會給你這個。它切換語言的速度快到沒有縫，沒有縫，也就沒有那些因為聽不懂而多出來的手勢、笑聲，和攤販順手多送你的那一把蔥。

但換個角度想，如果它站在機場的旅客服務臺、站在醫院的掛號機旁邊，一個剛落地、餓了十小時的旅人能用母語問出「最近的熱湯在哪裡」，那這個會對嘴的虛擬人，就替多少人的胃做了一件好事。深夜落地後那碗湯有多重要，我們在拒載的車變少、深夜落地那碗湯不用再等裡聊過，回家的路和一口熱的，從來是綁在一起的。

水印，就像一鍋湯的來源

還有一個細節值得記下來。谷歌說所有 AI 生成的內容都會透過 SynthID 加上隱形水印，直接嵌進音訊和視訊裡，用來辨識「這是 AI 做的」。翻譯到餐桌上，這就是「來源」兩個字。你在市場買一顆高麗菜，會問「這是哪裡的？」梨山的、彰化的、還是進口的，答案影響你怎麼煮、怎麼儲存、願意付多少錢。

一碗沒有人說得清楚來源的湯，喝起來心裡總是不踏實。AI 生成的臉和聲音也是一樣，看得再自然，你還是想知道：這張嘴後面，到底是誰。SynthID 那樣的水印，就像貼在雞蛋上的溯源標籤，平時看不見，出了事的時候，它就是那條能回頭的路。想裝一個沒掛保證的 App 跟想喫一攤沒招牌的麵是同一件事，我們在安卓開發者驗證與巷口麵攤的信任那篇裡說過，信任這一味，都是慢慢熬出來的。

收在餐桌邊：話說清楚了，飯才喫得安心

技術會往前走。再過幾年，你打電話訂位，接線的可能是一個脣形完美、會說你母語的虛擬人，它幫你留了靠窗的位子，記得你不喫香菜。這沒有不好。但訂完位，走進店裡，聞到麻油在鍋裡爆香的氣味，聽見隔壁桌剝蝦殼的細碎聲音，看見老闆從蒸籠掀開白霧的那一瞬間，這些沒有一樣是生成出來的。

虛擬人負責把話說清楚，人負責把飯做好。分工若能這樣，那 97 種語言再怎麼無縫切換，最後都會收斂到同一個地方：一張你坐得下來、喫得安心的桌子。下次你在國外市場比手畫腳的時候，不妨享受一下那份笨拙，那是任何即時翻譯都給不了的，人跟人之間，慢慢把一句話講通的味道。