A Meta leva voz em tempo real e avatares expressivos ao Muse

A Meta anunciou, em 5 de novembro de 2026, que as conversas por voz em tempo real e os avatares expressivos estão sendo disponibilizados no aplicativo Muse nos EUA, em dispositivos móveis, na web e no Mac, acrescentando uma interface visual e por voz ao seu agente pessoal de IA.

O lançamento vem após a prévia do Connect 2026 da Meta, em 23 de setembro de 2026, que incluiu conversas longas em tempo real e o Muse Realtime Avatar. O evento anterior demonstrou os conceitos; o novo anúncio marca sua disponibilização aos usuários. Um ícone de telefone no canto superior direito inicia uma conversa.

Controles de voz e tarefas em andamento

O Muse Realtime Voice oferece respostas faladas imediatas e permite que os usuários interrompam o agente. O agente pode continuar trabalhando em tarefas em segundo plano enquanto a conversa prossegue, permitindo que o diálogo e o trabalho delegado avancem ao mesmo tempo.

Os exemplos se concentram em desenvolver uma ideia incompleta sem antes elaborar um comando preciso, planejar uma viagem com base em um destino e algumas preferências, e ensaiar uma entrevista de emprego, apresentação ou proposta. Outros exemplos envolvem delegar tarefas enquanto se caminha ou cozinha, deixando o Muse cuidar do trabalho à medida que a conversa avança.

Os usuários podem manter a interação apenas por voz, colocar o avatar ao lado da conversa ou mudar para uma visualização em tela cheia, cara a cara. O avatar reage enquanto escuta e fala, usando expressões e gestos adequados ao tom. Segundo a Meta, há centenas de vozes disponíveis, e é possível alterar a seleção. A empresa ilustra as opções com um estilo nova-iorquino enérgico e um estilo de pirata.

A voz amplia um agente originalmente concebido para trocar mensagens e executar ações delegadas. A Meta apresentou o Muse em 8 de setembro de 2026, com interação pelo aplicativo Muse ou pelo WhatsApp. O Muse podia enviar e-mails e reservar viagens, continuar trabalhando depois que o aplicativo fosse fechado e retornar quando algo mudasse ou quando fosse necessária aprovação antes de uma ação delicada, como uma compra. Os novos recursos acrescentam fala e presença visual a esse modelo já estabelecido de tarefas e aprovações.

A tecnologia por trás do avatar em tempo real

Um relato técnico da Meta AI Research descreve o Muse Realtime Voice e o Muse Realtime Avatar como um único sistema de transmissão contínua. O modelo de voz produz tokens de fala que carregam tanto o conteúdo quanto a forma de expressão. Um decodificador de áudio converte esses tokens em fala, enquanto o modelo do avatar consome o mesmo fluxo para gerar a representação visual, mantendo sincronizados a voz, os movimentos dos lábios e as expressões.

O avatar é um transformador de difusão guiado por áudio, condicionado por esse fluxo de tokens, por mídias de referência, como um retrato ou uma ilustração, e por uma janela móvel de latentes de vídeo recentes. Ele gera blocos curtos e causais de vídeo. À medida que cada bloco é concluído, os latentes gerados mais recentes fornecem contexto de movimento para o seguinte, preservando a aparência e os maneirismos ao longo do processo e limitando o custo computacional para que a geração possa continuar durante toda a conversa.

A equipe de pesquisa informa que a destilação reduziu a geração de 120 avaliações guiadas do modelo professor por bloco para duas avaliações não guiadas do modelo aluno. A equipe descreve isso como uma redução de 60 vezes, com preservação bastante fiel da qualidade do modelo professor.

A equipe de pesquisa informa que o sistema gera vídeo vertical de 448 por 768 pixels a 25 quadros por segundo, com latência de aproximadamente 870 milissegundos entre o fim do turno do usuário e o primeiro byte da resposta sincronizada de voz e vídeo. Suas otimizações aumentam em oito vezes a capacidade de atendimento em relação à linha de base BF16 de duas etapas e permitem 12 sessões simultâneas de geração de vídeo em tempo real em um GB200. A medição de latência diz respeito à capacidade de resposta em uma conversa, enquanto os números de capacidade se referem à carga de atendimento gerada pela criação contínua de vídeo.

Salvaguardas e dispositivos planejados

A publicação de pesquisa informa que os vídeos gerados dos avatares incluem uma marca-d’água Meta Video Seal duradoura e invisível, sem acrescentar latência em tempo real. Também ressalta que os exemplos ilustram os recursos do modelo e que nem todos correspondem a avatares disponíveis no aplicativo Muse. O Muse é destinado a usuários com 18 anos ou mais.

A Meta diz que as conversas por voz também chegarão em breve aos óculos com IA e ao Muse Charm. No Connect, a empresa descreveu o acesso pelos óculos como uma experiência sem usar as mãos e o Charm como um dispositivo de bolso projetado para falar e interagir com o Muse.

O principal avanço do lançamento está no modelo de interação: fala, interrupções e execução de tarefas em segundo plano agora fazem parte de uma única sessão, com o avatar acrescentando uma resposta visual. A próxima questão em aberto é se a Meta conseguirá estender essa combinação aos óculos com IA e ao Muse Charm; essas versões ainda estão planejadas, enquanto a disponibilização do aplicativo nos EUA avança em dispositivos móveis, na web e no Mac.