Meta 的 Muse 能“打电话”了：实时语音加会做表情的虚拟形象，先推美国

作者：陈一帆

11 月 6 日，扎克伯格在 Threads 宣布 Meta 的个人 AI 助手 Muse 上线实时语音对话与带表情的虚拟形象，美国用户先用到，覆盖移动端、网页和 Mac。点电话图标就能像打电话一样聊，随时能打断；背后是 Muse Realtime Voice 和 Muse Realtime Avatar 两个模型。是否免费、国内能否使用等问题还没有明确答案。

Meta 的 Muse 能“打电话”了：实时语音加会做表情的虚拟形象，先推美国

11 月 6 日，扎克伯格在 Threads 上发帖宣布，Meta 的个人 AI 助手 Muse 上线实时语音对话和富有表现力的虚拟形象，美国用户先用上，覆盖移动端、网页端和 Mac 应用。变化很直观：点应用右上角的电话图标，就能像给一个人打电话那样跟它说话，它说到一半，你随时可以打断。

打断为什么难

拿日常打电话打比方。你插一句话，朋友会立刻停住，顺着你的新话头接下去。AI 要做到这个，得在自己还在“说话”的同时听你插话，判断从哪个词停下、把没说出口的后半段丢掉，再重新组织回答；画面里的口型和表情还得跟着新语流重新对上。这些事情都要在不到一秒里完成，否则就像对讲机，来回一卡一卡。

Meta 的做法是两个模型分工：Muse Realtime Voice 同时生成“说什么”和“怎么说”，语气、停顿都算在后者里；Muse Realtime Avatar 基于同一条数据流实时生成表情、口型和肢体动作，让声音和画面天然同步。Meta 称可流式输出 448×768 分辨率、25 帧每秒的竖屏视频，从你讲完到收到第一个音视频响应约 870 毫秒。这是厂商自报的数据，没说明怎么测的，实际手感还得上手才算数。

三种看法，几百种嗓子

交互分三档：只用语音、在聊天界面旁边挂个小形象、切到全屏“面对面”。默认形象是个叫“Jolly”的卡通角色，可以换成人物、动物或其他角色；声音有数百种风格，官方举的例子包括“纽约客式活力”和“海盗风”。Meta 设想的用法是散步、双手忙的时候口头派活，Muse 在后台接着做；也能用来头脑风暴、订旅行、练面试或演讲。官方还演示了让形象跳舞并分享到 Instagram、Facebook 或 WhatsApp 的玩法，这项是否跟本次更新一起上线，报道里没说。

先把边界划出来

448×768、25fps 这个规格，比日常视频通话低不少，全屏“面对面”现在更像一个会说话的卡通窗口，不是真人对视的感觉。另外几件事目前没有明确答案：是否免费、有没有用量或订阅门槛；国内能不能用，美国先推大概率意味着需要美国区账号和相应网络条件；Muse 和 Meta AI 是更名还是两个产品，报道也没交代。这些先记成问号，不下结论。

已经实现的，是“能打电话、能被打断、有表情地回应”这件事本身。它比排队等一整段回答自然得多，这也是个人助手从“问答框”往“在场的人”迈出的一步。但一边走路一边口头派活到底顺不顺手，870 毫秒在实际对话里够不够，得等真实用户用一段时间才知道。

转载说明

本文根据以下公开资料整理，原文及配图出处见下方。

• [S1] Meta 给 AI 装上“脸”和“嗓子”：Muse 现在能视频聊天了
• 配图 1：来源：www.ithome.com（图片署名见原文） · 图片出处
• 配图 2：来源：www.ithome.com（图片署名见原文） · 图片出处