Meta přináší do Muse hlasovou komunikaci v reálném čase a expresivní avatary

Meta 5. listopadu 2026 oznámila, že do aplikace Muse v USA postupně zavádí hlasové konverzace v reálném čase a expresivní avatary. Na mobilních zařízeních, webu i počítačích Mac tak svému osobnímu agentovi s umělou inteligencí přidává hlasové a vizuální rozhraní.

Novinka navazuje na ukázku na akci Connect 2026 společnosti Meta z 23. září 2026, která představila dlouhé konverzace v reálném čase a Muse Realtime Avatar. Na předchozí akci byly tyto koncepty předvedeny; nové oznámení představuje jejich zpřístupnění uživatelům. Konverzaci lze zahájit klepnutím na ikonu telefonu v pravém horním rohu.

Ovládání hlasem a úlohy na pozadí

Muse Realtime Voice poskytuje okamžité hlasové odpovědi a umožňuje uživatelům agenta přerušit. Agent může na úlohách dál pracovat na pozadí, zatímco konverzace pokračuje, takže diskuse i svěřená práce mohou probíhat současně.

Uvedené příklady se zaměřují na rozvíjení nedokončeného nápadu bez nutnosti nejprve sestavit přesný pokyn, plánování cesty na základě cílové destinace a několika preferencí a nácvik pracovního pohovoru, prezentace nebo obchodního návrhu. Další příklady zahrnují zadávání úloh během chůze nebo vaření, kdy Muse průběžně pracuje na jejich splnění, zatímco konverzace pokračuje.

Uživatelé mohou zvolit pouze hlasovou interakci, umístit avatara vedle konverzace nebo přepnout na celoobrazovkový pohled tváří v tvář. Avatar při poslechu i mluvení reaguje výrazy a gesty odpovídajícími tónu. Meta uvádí, že na výběr jsou stovky hlasů a že je lze měnit. Jako příklady uvádí energický newyorský styl a pirátský styl.

Hlas rozšiřuje možnosti agenta, který byl původně založen na zasílání zpráv a zadávání úloh. Meta představila Muse 8. září 2026; komunikovat s ním bylo možné prostřednictvím aplikace Muse nebo služby WhatsApp. Muse mohl odesílat e-maily a rezervovat cesty, pokračovat v práci i po zavření aplikace a znovu se ozvat, když se něco změnilo nebo když před citlivým úkonem, například nákupem, potřeboval schválení. Nové funkce do tohoto zavedeného modelu práce s úlohami a jejich schvalováním přidávají hlas a vizuální podobu.

Systém, který pohání avatara v reálném čase

Technický popis od Meta AI Research představuje Muse Realtime Voice a Muse Realtime Avatar jako jediný streamovací systém. Hlasový model vytváří řečové tokeny, které nesou jak obsah, tak způsob jeho podání. Zvukový dekodér převádí tyto tokeny na řeč, zatímco model avatara zpracovává tentýž proud a vytváří vizuální projev, takže hlas, pohyby rtů a výraz tváře zůstávají synchronizované.

Avatar je zvukem řízený model Diffusion Transformer, jehož výstup určují tento proud tokenů, referenční média, například portrét nebo ilustrace, a průběžně aktualizované okno nedávných latentních reprezentací videa. Vytváří krátké kauzální úseky videa. Po dokončení každého úseku poskytují jeho nejnovější vygenerované latentní reprezentace pohybový kontext pro další úsek, takže se zachovává vzhled i způsoby pohybu a zároveň se omezuje výpočetní náročnost, aby generování mohlo pokračovat po celou dobu konverzace.

Meta uvádí, že destilace umožnila tento proces používat v reálném čase: počet řízených vyhodnocení učitelského modelu na jeden úsek se snížil ze 120 na dvě neřízená vyhodnocení studentského modelu. Podle společnosti jde o šedesátinásobné snížení, které přitom téměř zachovává kvalitu učitelského modelu.

Výzkumný tým uvádí výstupní portrétní video s rozlišením 448 × 768 pixelů a frekvencí 25 snímků za sekundu. Latence od konce uživatelova tahu do prvního bajtu synchronizované hlasové a obrazové odpovědi činí přibližně 870 milisekund. Díky optimalizacím se kapacita obsluhy zvýšila osminásobně oproti dvoufázovému výchozímu nastavení BF16 a systém podporuje 12 souběžných relací generování videa v reálném čase na jednom zařízení GB200. Měření latence se týká rychlosti odezvy v konverzaci, zatímco údaje o kapacitě vyjadřují zátěž obsluhy způsobenou nepřetržitým generováním videa.

Ochranná opatření a plánovaná zařízení

Výzkumný příspěvek uvádí, že vygenerované video s avatarem obsahuje trvalý, neviditelný vodoznak Meta Video Seal, který nezvyšuje latenci v reálném čase. Zároveň upozorňuje, že příklady ilustrují možnosti modelu a ne všechny odpovídají avatarům dostupným v aplikaci Muse. Muse je určen uživatelům od 18 let.

Meta uvádí, že hlasové konverzace budou brzy dostupné také v AI Glasses a zařízení Muse Charm. Na akci Connect společnost popsala ovládání brýlí jako bezdotykové a Charm jako kapesní zařízení určené k hlasové komunikaci a interakci s Muse.

Hlavní novinkou je změna způsobu interakce: hlas, možnost přerušení i práce na úlohách na pozadí jsou nyní součástí jediné relace a avatar k nim přidává vizuální odezvu. Zda Meta dokáže tuto kombinaci rozšířit i na AI Glasses a Muse Charm, zůstává otevřenou otázkou; tyto verze jsou zatím pouze plánované, zatímco zavádění aplikace v USA na mobilních zařízeních, webu i počítačích Mac pokračuje.