Meta apporte la voix en temps réel et des avatars expressifs à Muse

Meta a annoncé le 5 novembre 2026 le déploiement, aux États-Unis, de conversations vocales en temps réel et d’avatars expressifs dans l’application Muse, sur mobile, sur le Web et sur Mac, ajoutant ainsi une interface vocale et visuelle à son agent d’IA personnel.

Cette sortie fait suite à la présentation en avant-première de Connect 2026 par Meta, le 23 septembre 2026, qui comprenait de longues conversations en temps réel et Muse Realtime Avatar. L’événement précédent avait présenté ces concepts ; la nouvelle annonce marque leur déploiement auprès des utilisateurs. Une icône de téléphone dans le coin supérieur droit permet de démarrer une conversation.

Commandes vocales et tâches en cours

Muse Realtime Voice fournit des réponses vocales immédiates et permet aux utilisateurs d’interrompre l’agent. Celui-ci peut continuer à travailler en arrière-plan pendant la conversation, ce qui permet de poursuivre simultanément la discussion et le travail qui lui a été confié.

Les exemples portent notamment sur le développement d’une idée encore incomplète sans avoir à rédiger au préalable une consigne précise, la planification d’un voyage à partir d’une destination et de quelques préférences, ainsi que la préparation d’un entretien d’embauche, d’une présentation ou d’un argumentaire. D’autres exemples consistent à confier des tâches à Muse en marchant ou en cuisinant, tandis qu’il s’en charge au fil de la conversation.

Les utilisateurs peuvent choisir une interaction uniquement vocale, afficher l’avatar à côté de la conversation ou passer à une vue plein écran, en face à face. L’avatar réagit lorsqu’il écoute et lorsqu’il parle, avec des expressions et des gestes adaptés au ton. Meta indique qu’il existe des centaines de voix au choix et que la sélection peut être modifiée. L’entreprise illustre cette sélection avec un style new-yorkais énergique et un style de pirate.

La voix étend les capacités d’un agent initialement conçu pour la messagerie et l’exécution de tâches déléguées. Meta a présenté Muse le 8 septembre 2026, avec une interaction possible depuis l’application Muse ou WhatsApp. Muse pouvait envoyer des courriels et réserver des voyages, poursuivre son travail après la fermeture de l’application, puis revenir vers l’utilisateur en cas de changement ou lorsqu’une approbation était nécessaire avant une action sensible, comme un achat. Les nouvelles fonctionnalités ajoutent la parole et une présence visuelle à ce modèle établi de gestion des tâches et des approbations.

Le système derrière l’avatar en temps réel

Un document technique de Meta AI Research décrit Muse Realtime Voice et Muse Realtime Avatar comme un système de diffusion en continu unique. Le modèle vocal produit des jetons de parole qui encodent à la fois le contenu et la manière de le prononcer. Un décodeur audio transforme ces jetons en parole, tandis que le modèle d’avatar consomme le même flux pour générer la prestation visuelle, en synchronisant la voix, les mouvements des lèvres et les expressions.

L’avatar repose sur un transformeur de diffusion piloté par l’audio, conditionné par ce flux de jetons, par des médias de référence tels qu’un portrait ou une illustration, ainsi que par une fenêtre glissante des représentations latentes vidéo récentes. Il génère de courtes séquences vidéo causales. À la fin de chaque séquence, les représentations latentes les plus récemment générées fournissent le contexte de mouvement de la suivante, ce qui permet de conserver l’apparence et les manières de l’avatar tout en limitant les calculs afin que la génération puisse se poursuivre pendant toute la conversation.

Pour rendre ce processus utilisable en temps réel, Meta indique que la distillation a réduit le nombre d’évaluations guidées du modèle enseignant, de 120 par séquence à deux évaluations non guidées du modèle étudiant. L’entreprise présente cette évolution comme une réduction d’un facteur 60, tout en préservant étroitement la qualité du modèle enseignant.

L’équipe de recherche indique que le système produit des vidéos en portrait de 448 par 768 pixels à 25 images par seconde, avec une latence d’environ 870 millisecondes entre la fin de l’intervention d’un utilisateur et le premier octet de la réponse synchronisée audio et vidéo. Ses optimisations multiplient par huit la capacité de traitement par rapport à la référence BF16 en deux étapes et prennent en charge 12 sessions de génération vidéo en temps réel simultanées sur un seul GB200. La mesure de latence concerne la réactivité conversationnelle, tandis que les chiffres de capacité portent sur la charge de traitement créée par la génération vidéo continue.

Mesures de protection et appareils prévus

L’article de recherche indique que les vidéos d’avatar générées comportent un filigrane Meta Video Seal durable et invisible, sans latence supplémentaire en temps réel. Il précise également que les exemples illustrent les capacités du modèle et ne correspondent pas tous à des avatars disponibles dans l’application Muse. Muse est destiné aux personnes âgées de 18 ans et plus.

Meta indique que les conversations vocales seront également bientôt disponibles sur AI Glasses et Muse Charm. Lors de Connect, l’entreprise a décrit l’accès depuis les lunettes comme mains libres et présenté Charm comme un appareil de poche conçu pour parler avec Muse et interagir avec lui.

Cette sortie place le modèle d’interaction au cœur de l’évolution : la parole, l’interruption et l’exécution de tâches en arrière-plan sont désormais réunies au sein d’une même session, l’avatar apportant une réponse visuelle. La prochaine question en suspens est de savoir si Meta pourra étendre cette combinaison à AI Glasses et à Muse Charm ; ces versions restent prévues, tandis que le déploiement de l’application se poursuit aux États-Unis sur mobile, sur le Web et sur Mac.