Meta 在 11 月 5 日宣布,向美国用户开放 Muse 的实时语音与动态虚拟形象功能,用户可以在手机、网页和 Mac 端直接给 Muse 打 “视频电话”:自己上传一张参考图或选择形象,Muse 就会以动态化身出现在屏幕上,边说话边做表情、摆手势,用户还能随时打断、补充要求,后台任务继续跑。这次上线的核心是两套技术同时落地:Muse Realtime Voice 负责实时语音,Muse Realtime Avatar 负责把语音变成同步的口型、表情和动作,两者共用同一条语音 token 流,所以音画不会脱节;官方给出的数据是 448×768 分辨率、25 帧每秒、从用户说完到首字节响应约 870 毫秒,单台 GB200 可支撑 12 路并发实时视频生成。使用边界也写得很清楚:仅限 18 岁以上用户,生成的化身视频带不可见的 Meta Video Seal 水印,购物等敏感操作仍需用户确认。对普通用户来说,这意味着 AI 助手从 “打字聊天” 进入 “面对面聊天”,练面试、做饭、规划旅行都能边聊边办;对行业来说,这是把语音、视觉形象和后台任务塞进同一个会话的一次工程验证。
一、这次上线的功能清单
| 项目 | 内容 |
|---|---|
| 上线时间 | 2026 年 11 月 5 日 |
| 覆盖地区 | 美国 |
| 支持终端 | 手机端、网页端、Mac 端 |
| 核心功能 | 实时语音对话、动态虚拟形象、可打断、后台任务并行 |
| 形象来源 | 用户自建,支持参考人像或插画生成 |
| 声音选择 | 数百种声音风格,可随时更换 |
| 显示模式 | 仅语音、化身显示在对话旁、全屏面对面 |
| 使用门槛 | 仅限 18 岁及以上用户 |
| 水印机制 | 生成视频嵌入不可见的 Meta Video Seal 水印 |
二、怎么开始用
- 打开 Muse 应用,在界面右上角点击电话图标。
- 选择 “仅语音”,或开启化身显示,也可以切到全屏面对面模式。
- 从数百种声音里挑一个喜欢的风格,后续可随时更换。
- 直接说需求,不用先写完整提示词,说到一半可以打断、补充。
- 交代完任务后继续聊,Muse 在后台推进任务,需要确认时再回来找你。
三、实时化身是怎么做到的
| 技术环节 | 做法 | 效果 |
|---|---|---|
| 统一语音流 | 语音模型输出的 token 同时携带内容与表达方式 | 语音和表情共用一套信号,天然同步 |
| 音频解码 | 把 token 转成语音 | 听到的声音与看到的口型对得上 |
| 化身生成 | 音频驱动的 Diffusion Transformer,参考人像 / 插画 + 近期视频 latent 窗口 | 形象保持一致,动作连贯 |
| 分块生成 | 每次生成一小段因果视频,上一段的最新 latent 作为下一段动作上下文 | 长对话中形象不走样 |
| 推理加速 | 蒸馏把每块 120 次引导式评估降到 2 次无引导评估 | 约 60 倍加速,保住质量 |
| 性能指标 | 448×768、25fps、约 870 毫秒首字节延迟 | 接近真人对话的响应节奏 |
| 服务容量 | 单台 GB200 支持 12 路并发实时视频生成 | 相对基线提升约 8 倍服务容量 |
一句话理解:语音 token 是 “总开关”,声音和形象都从这条流里长出来,所以不会出现 “声音到了、嘴还没动” 的割裂感。
四、官方演示里能玩什么
| 场景 | 怎么用 | Muse 做什么 |
|---|---|---|
| 模拟面试 | 让 Muse 扮演招聘经理 | 追问经历、给出表达建议,练完还能帮你发确认邮件 |
| 做饭 | 讨论吃什么 | 推荐菜谱、列出食材,甚至提示可以邀请住在附近的朋友 |
| 旅行规划 | 给一个目的地和几个偏好 | 边聊边把行程排出来 |
| 边走边交代任务 | 在通勤或做家务时开口 | 后台继续处理,完成后回来汇报 |
| 角色扮演 | 自定义形象与声音 | 用不同角色陪练、陪聊、做头脑风暴 |
Meta 首席 AI 官 Alexandr Wang 把自己的 Muse 设成穿绿色外套的白色小狗 Euler,让 Euler 扮演老板,演练如何回应 “上班时间发太多梗图” 的谈话;扎克伯格也发了一段 Muse 梗视频,配文 “今天之后的我”。这些演示说明一件事:化身不只是装饰,它让对话有了 “在场感”,用户更愿意多说几句。
五、安全与使用边界
- 年龄限制:仅限 18 岁及以上用户使用。
- 内容标识:生成的化身视频嵌入不可见的 Meta Video Seal 水印,不增加实时延迟,便于后续识别 AI 生成内容。
- 敏感操作确认:涉及购物等需要负责的动作,仍沿用 Muse 原有的 “执行前需用户批准” 机制。
- 形象授权:自建形象应使用自己拥有使用权的参考图,避免使用他人肖像或受版权保护的卡通角色。
- 场景自律:用于面试演练、学习、创作没问题,不要用它伪造他人身份去误导第三方。
六、下一步会走到哪
- AI Glasses:Meta 计划把语音对话带到 AI 眼镜,唤醒方式是说代理的名字,解放双手。
- Muse Charm:一款口袋大小的设备,专为与 Muse 语音交互设计。
- 交互范式:从 “输入提示词 — 等待结果” 变成 “开口说 — 被打断 — 继续办”,会话本身成为任务界面。
七、结论
Muse 的实时语音与动态化身,把 AI 助手从文字框里拉到了屏幕前:语音、表情、动作、后台任务在同一个会话里跑,870 毫秒的响应和 25fps 的画面让 “面对面” 基本成立。它的价值不在于化身多好看,而在于把 “说话就能办事” 这件事做成了可日常使用的形态。接下来真正的分水岭,是这套交互能不能顺利搬到眼镜和随身设备上 —— 那才是 AI 助手从 “工具” 变成 “在场” 的关键一步。
【常见问题】
问题 1:Meta 的 Muse AI 化身视频聊天目前对哪些用户开放?
回答 1:Meta 的 Muse AI 化身视频聊天目前面向美国 18 岁及以上用户开放,支持手机、网页和 Mac 三端,点击 Muse 界面右上角的电话图标即可开始,其他地区尚未开放。
问题 2:Muse AI 化身视频聊天支持自定义形象吗?
回答 2:支持,Muse AI 化身视频聊天允许用户用参考人像或插画生成自己的动态化身,还能从数百种声音里挑选风格,并可在仅语音、侧边化身、全屏面对面三种模式间切换。
问题 3:Muse AI 化身视频聊天的响应速度有多快?
回答 3:按 Meta 公布的数据,Muse AI 化身视频聊天从用户说完到首字节响应约 870 毫秒,画面为 448×768 分辨率、25 帧每秒,单台 GB200 可支撑 12 路并发实时视频生成。
问题 4:Muse AI 化身视频聊天如何防止被用来伪造他人形象?
回答 4:Muse AI 化身视频聊天生成的视频会嵌入不可见的 Meta Video Seal 水印,便于识别 AI 生成内容;同时功能仅限 18 岁以上用户,涉及购物等敏感操作仍需用户确认,用户自建形象也应使用自己拥有使用权的参考素材。
问题 5:Muse AI 化身视频聊天之后还会登陆哪些设备?
回答 5:Meta 计划把 Muse AI 化身视频聊天的语音交互延伸到 AI 眼镜和 Muse Charm,前者支持说名字唤醒、解放双手,后者是口袋大小的随身设备,具体上线时间尚未公布。
【数据来源】
[2026-11-06](能和 Muse 打视频电话了!网友整活,自建动态虚拟形象、让 AI 角色扮演)智东西
[2026-11-05](Give Your Muse a Voice)Meta Newsroom
[2026-11-05](Meta Brings Real-Time Voice and Expressive Avatars to Muse)Unite.AI
[2026-09-24](Meta Connect 2026: 発表内容)Meta
[2026-09-08](Introducing Muse: The World's First Personal AI Agent Built for Everyone)Meta
【免责声明】
本文为 Meta Muse 实时语音与动态化身功能上线信息的整理与科普,功能范围、技术指标、上线地区均以 Meta 官方发布及公开报道为准,后续版本与可用地区可能调整。文中不构成产品选购、使用或投资建议;使用 AI 生成形象时请遵守当地法律与平台规则,尊重他人肖像权与知识产权。
