Meta porta la voce in tempo reale e avatar espressivi su Muse

Meta ha annunciato il 5 novembre 2026 il lancio delle conversazioni vocali in tempo reale e degli avatar espressivi nell’app Muse negli Stati Uniti, su dispositivi mobili, web e Mac, aggiungendo un’interfaccia vocale e visiva al suo agente personale di IA.

Il lancio segue l’anteprima di Connect 2026 di Meta, tenutasi il 23 settembre 2026, che includeva lunghe conversazioni in tempo reale e Muse Realtime Avatar. L’evento precedente aveva mostrato i concetti; il nuovo annuncio ne segna l’arrivo agli utenti. Per avviare una conversazione basta toccare l’icona del telefono nell’angolo in alto a destra.

Controlli vocali e attività in corso

Muse Realtime Voice offre risposte vocali immediate e permette agli utenti di interrompere l’agente. L’agente può continuare a svolgere attività in background mentre la conversazione prosegue, consentendo di portare avanti insieme la discussione e il lavoro delegato.

Gli esempi riguardano lo sviluppo di un’idea ancora incompleta senza dover prima formulare un prompt preciso, la pianificazione di un viaggio partendo da una destinazione e da poche preferenze e le prove per un colloquio di lavoro, una presentazione o un intervento. Altri esempi mostrano come assegnare attività mentre si cammina o si cucina, lasciando che Muse le svolga durante la conversazione.

Gli utenti possono mantenere l’interazione esclusivamente vocale, visualizzare l’avatar accanto alla conversazione oppure passare a una modalità a schermo intero, faccia a faccia. L’avatar reagisce mentre ascolta e parla, con espressioni e gesti adeguati al tono. Meta afferma che sono disponibili centinaia di voci tra cui scegliere e che è possibile cambiare selezione. A titolo di esempio, mostra uno stile energico da newyorkese e uno da pirata.

La voce amplia le capacità di un agente concepito inizialmente per la messaggistica e l’esecuzione di attività delegate. Meta ha presentato Muse l’8 settembre 2026, consentendo di interagire tramite l’app Muse o WhatsApp. Muse poteva inviare e-mail e prenotare viaggi, continuare a lavorare dopo la chiusura dell’app e tornare a farsi sentire quando cambiava qualcosa o quando serviva un’approvazione prima di un’azione delicata, come un acquisto. Le nuove funzionalità aggiungono la voce e una presenza visiva a questo modello già consolidato di attività e approvazioni.

Il sistema alla base dell’avatar in tempo reale

Un resoconto tecnico di Meta AI Research descrive Muse Realtime Voice e Muse Realtime Avatar come un unico sistema di streaming. Il modello vocale genera token del parlato che veicolano sia il contenuto sia il modo in cui viene pronunciato. Un decoder audio trasforma questi token in parlato, mentre il modello dell’avatar elabora lo stesso flusso per generare la resa visiva, mantenendo sincronizzati la voce, i movimenti delle labbra e le espressioni.

L’avatar è un Diffusion Transformer guidato dall’audio e condizionato da quel flusso di token, da contenuti di riferimento come un ritratto o un’illustrazione e da una finestra mobile dei latenti video più recenti. Genera brevi segmenti video causali. Al termine di ogni segmento, i latenti appena generati forniscono il contesto di movimento per quello successivo, mantenendo nel tempo l’aspetto e i modi dell’avatar e limitando al contempo il carico di calcolo, così da poter continuare a generare video per tutta la conversazione.

Meta riferisce che, per rendere il processo utilizzabile in tempo reale, la distillazione ha ridotto le valutazioni del modello insegnante necessarie per ogni segmento da 120 a due valutazioni del modello studente, senza guida. L’azienda descrive il risultato come una riduzione di 60 volte, ottenuta mantenendo una qualità molto simile a quella del modello insegnante.

Il gruppo di ricerca riferisce che il sistema genera video verticali con risoluzione di 448 × 768 pixel a 25 fotogrammi al secondo, con una latenza di circa 870 millisecondi tra la fine del turno dell’utente e il primo byte della risposta sincronizzata, vocale e video. Le ottimizzazioni aumentano di otto volte la capacità di erogazione rispetto alla configurazione di riferimento BF16 in due passaggi e consentono 12 sessioni simultanee di generazione video in tempo reale su un singolo GB200. La misura della latenza riguarda la reattività della conversazione, mentre i dati sulla capacità si riferiscono al carico di erogazione generato dalla produzione continua di video.

Misure di sicurezza e dispositivi previsti

Il post di ricerca afferma che i video degli avatar generati includono una filigrana Meta Video Seal, persistente e invisibile, senza aggiungere latenza in tempo reale. Avverte inoltre che gli esempi illustrano le capacità del modello e non rappresentano tutti avatar disponibili nell’app Muse. Muse è destinato agli utenti di almeno 18 anni.

Meta afferma che le conversazioni vocali arriveranno presto anche sugli AI Glasses e su Muse Charm. Durante Connect, ha descritto l’accesso tramite gli occhiali come utilizzabile a mani libere e Charm come un dispositivo tascabile progettato per parlare e interagire con Muse.

Con questo lancio, il modello di interazione diventa l’elemento centrale dell’evoluzione: voce, possibilità di interrompere l’agente ed esecuzione delle attività in background sono ora riunite in un’unica sessione, a cui l’avatar aggiunge una risposta visiva. Resta da capire se Meta riuscirà a estendere questa combinazione agli AI Glasses e a Muse Charm; queste versioni sono ancora previste, mentre il lancio dell’app negli Stati Uniti prosegue su dispositivi mobili, web e Mac.