Meta lleva la voz en tiempo real y los avatares expresivos a Muse

Meta anunció el 5 de noviembre de 2026 que las conversaciones de voz en tiempo real y los avatares expresivos se están incorporando a la aplicación Muse en Estados Unidos, en dispositivos móviles, la web y Mac, y que añaden una interfaz hablada y visual a su agente personal de IA.

El lanzamiento llega después del adelanto de Connect 2026 de Meta, el 23 de septiembre de 2026, que incluyó conversaciones largas en tiempo real y Muse Realtime Avatar. En aquel evento se mostraron los conceptos; el nuevo anuncio marca su llegada a los usuarios. Un icono de teléfono en la esquina superior derecha permite iniciar una conversación.

Controles de voz y tareas en curso

Muse Realtime Voice ofrece respuestas habladas inmediatas y permite a los usuarios interrumpir al agente. Este puede seguir trabajando en tareas en segundo plano mientras continúa la conversación, de modo que el diálogo y el trabajo delegado avancen a la vez.

Los ejemplos se centran en desarrollar una idea incompleta sin redactar primero una instrucción precisa, planificar un viaje a partir de un destino y unas pocas preferencias, y ensayar una entrevista de trabajo, una presentación o una propuesta. Otros ejemplos consisten en asignar tareas mientras se camina o se cocina, y dejar que Muse se encargue del trabajo mientras continúa la conversación.

Los usuarios pueden mantener la interacción solo por voz, colocar el avatar junto a la conversación o cambiar a una vista a pantalla completa, cara a cara. El avatar reacciona mientras escucha y habla, con expresiones y gestos acordes con el tono. Meta afirma que hay cientos de voces para elegir y que se puede cambiar la selección. Como ejemplos, muestra un estilo neoyorquino enérgico y un estilo pirata.

La voz amplía un agente concebido originalmente para la mensajería y la ejecución de acciones delegadas. Meta presentó Muse el 8 de septiembre de 2026, con la posibilidad de interactuar a través de la aplicación Muse o WhatsApp. Muse podía enviar correos electrónicos y reservar viajes, seguir trabajando después de cerrar la aplicación y volver a intervenir cuando algo cambiaba o se necesitaba aprobación antes de una acción delicada, como una compra. Las nuevas funciones añaden voz y presencia visual a ese modelo ya establecido de tareas y aprobaciones.

El sistema detrás del avatar en tiempo real

Un informe técnico de Meta AI Research describe Muse Realtime Voice y Muse Realtime Avatar como un único sistema de transmisión en continuo. El modelo de voz genera tokens de habla que contienen tanto el contenido como la forma de expresarlo. Un decodificador de audio convierte esos tokens en habla, mientras que el modelo del avatar procesa la misma secuencia para generar la representación visual y mantener sincronizados la voz, el movimiento de los labios y las expresiones.

El avatar es un transformador de difusión impulsado por audio, condicionado por esa secuencia de tokens, material de referencia —como un retrato o una ilustración— y una ventana móvil de representaciones latentes de video recientes. Genera fragmentos de video causales breves. Al terminar cada fragmento, sus representaciones latentes recién generadas aportan contexto de movimiento para el siguiente, lo que permite mantener la apariencia y los gestos mientras se limita el cálculo para que la generación pueda continuar durante toda la conversación.

El equipo de investigación informa que la destilación redujo la generación de 120 evaluaciones guiadas del modelo docente por fragmento a dos evaluaciones no guiadas del modelo estudiante. Describe esta reducción como una disminución de 60 veces, que conserva de cerca la calidad del modelo docente.

El equipo de investigación informa que el sistema genera video vertical de 448 por 768 píxeles a 25 fotogramas por segundo, con una latencia aproximada de 870 milisegundos desde el final del turno del usuario hasta el primer byte de la respuesta sincronizada de voz y video. Sus optimizaciones multiplican por ocho la capacidad de servicio en comparación con la configuración de referencia BF16 de dos pasos y permiten 12 sesiones simultáneas de generación de video en tiempo real en un solo GB200. La medición de latencia se refiere a la capacidad de respuesta en la conversación, mientras que las cifras de capacidad aluden a la carga de servicio que genera la producción continua de video.

Medidas de seguridad y dispositivos previstos

La publicación de investigación señala que el video generado del avatar incluye una marca de agua Meta Video Seal duradera e invisible, sin añadir latencia en tiempo real. También advierte que los ejemplos ilustran las capacidades del modelo y no representan todos los avatares disponibles en la aplicación Muse. Muse está destinado a usuarios de 18 años o más.

Meta afirma que pronto también llegarán las conversaciones de voz a AI Glasses y Muse Charm. En Connect, describió el acceso mediante las gafas como manos libres y Charm como un dispositivo de bolsillo diseñado para hablar e interactuar con Muse.

El lanzamiento sitúa en el centro de la evolución el modelo de interacción: la voz, las interrupciones y la ejecución de tareas en segundo plano ahora forman parte de una misma sesión, a la que el avatar añade una respuesta visual. La siguiente incógnita es si Meta podrá llevar esa combinación a AI Glasses y Muse Charm; esas versiones siguen previstas mientras continúa el lanzamiento de la aplicación en Estados Unidos para dispositivos móviles, la web y Mac.