Alexandr Wang 宣布 Muse Voice 全美开放：用户可随时给自己的 Muse 打电话、视频聊天

北京时间 11 月 6 日凌晨 2 时 30 分（UTC 11 月 5 日 18 时 30 分），Meta 在发布《Give Your Muse a Voice》，宣布语音对话和会做表情、手势的数字形象正在 Muse 应用中上线，入口是应用右上角的电话图标，当前覆盖移动端、网页端和 Mac。两分四十秒后，Meta 首席 AI 官（Chief AI Officer）Alexandr Wang 在：「Muse 语音已向美国所有人开放！你现在可以随时给自己的 Muse 打电话、视频聊天。」Wang 于 2025 年 6 月加入 Meta，是公司首位首席 AI 官，执掌 Meta Superintelligence Labs（Meta 超级智能实验室，）。

Wang 在帖文里补充了一个自己的用例：当天遇到一件「棘手的事」，向 Muse 请教建议，并形容它「一如既往地睿智、沉稳」。确认了这次向全美用户的开放。

Wang 的「功能警报」帖：竖屏演示视频与互动数据

官方新闻室博客《Give Your Muse a Voice》于 UTC 时间 11 月 5 日 18 时 30 分 58 秒上线；18 时 33 分 38 秒，Wang 发出以全大写「MUSE FEATURE ALERT（Muse 功能警报）」开头的帖文，随帖附上一段演示视频。

帖文附带的视频经 X 平台接口核验为一条竖屏视频（1,260×2,736）。TechCrunch 描述了视频内容：Wang 在视频里调侃自己爱在 X 上发 meme（梗图），告诉 Muse 这可能让老板找他麻烦；他的 Muse 是一只毛茸茸的白狗，建议给可能被误读为 Meta 为出格内容背书的 meme 加上免责声明。

截至发稿（北京时间 11 月 6 日上午），这条帖文获得 1,259 次点赞、189 条回复、137 次转发，浏览量超过 12.2 万次。

三种在场模式、数百种声音：官方给出的用法

按官方博客的说明，语音对话开始后，用户可以选择 Muse 在场的程度：只要声音、让形象伴随对话，或者全屏「面对面」。官方称声音有「数百种」可选——举例从「纽约客的能量」到「海盗的做派」，并且随时可以更换。

官方博客还给出了两类典型场景：一边散步或做饭、一边口述一个只有半成品的旅行计划，让 Muse 边听边干活；以及排练面试、演讲或推销，让「当场听到回应再作答」更接近真实对话。技术上，这次能力由 Muse Realtime Avatar（实时形象）与 Muse Realtime Voice（实时语音）两套技术支撑——两者在 9 月的 Connect 2026 大会上预览过——官方称对话可以「随时打断」，Muse 会跟上话题的走向。

TechCrunch 介绍，Muse 的默认形象昵称「Jolly」，用户可以把它自定义为更像人物、动物或其他角色；形象说话时会配合对话语气做出「细腻的表情与手势」。TechCrunch 同时写明了边界：Muse 并不能真的「看见」用户，它只是听，再根据听到的内容作出反应。

870 毫秒的开口延迟：实时形象的技术账

支撑这次上线的技术细节，Meta 在 9 月 23 日 Connect 大会期间发布的研究博客中有完整交代。机制上，Muse Realtime Voice 产出一条同时携带「说了什么」和「怎么说」的语音 token（词元）流：音频解码器把它变成语音，Muse Realtime Avatar 消费同一条流生成对应画面，语音、口型与表情因此保持同步。形象本身是一个音频驱动的扩散 Transformer（Diffusion Transformer），按因果小块逐段生成视频。

研究博客给出的数字是：教师模型每个视频块需要 120 次模型评估——40 步扩散、每步配合三路无分类器引导（classifier-free guidance，CFG）——蒸馏后的学生模型只需两步、无需引导，推理量降到原来的 1/60；系统以 448×768 的竖屏画面、每秒 25 帧流式输出，从用户说完到收到第一字节音视频响应约 870 毫秒；单块 GB200 上每步 20 毫秒生成 8 帧（对应 320 毫秒播放量），可承载 12 路并发会话。

Meta 还给出了与第三方系统的对比测试：让评级者与各家系统进行 2～3 分钟的实时对话，总体偏好上，评级者以 78% 对 22% 更偏好 Muse Realtime Avatar 而非 Runway Characters，以 88% 对 12% 更偏好它而非 HeyGen LiveAvatar。不过研究博客自己注明：与 Runway Characters 在「习惯动作」一项上的差异，在统计上无法与持平区分。另外，所有生成视频都通过 Meta Video Seal 嵌入不可见的持久水印。

从替你打电话到等你来电：Muse 上线两个月

Muse 是 Meta 面向消费者的 AI 代理，9 月上旬亮相（ 9 月 17 日报道称其「上周推出」）。这两个月里，打电话的能力分两批到来：9 月中旬，Muse 先获得了给美国商家打电话的能力，Meta 表示新功能会先开放给向 Muse 主动提出需求的用户；这次全量开放的则是反方向——用户拨给自己的 Muse。

通话能力的推进并不都是纯 AI 的。，Meta 正在为 Muse 测试「human concierge（人工礼宾）」：部分 Muse 拨出的电话由承包商人工接手；内部帖子显示该功能当时已对半数 Meta 员工开放，员工对承包商经手敏感信息提出了隐私担忧。同月，TechCrunch 援引 Sensor Tower 数据称，Muse 上线头几天在美国的下载量超过 73 万次，高于 Meta AI 应用上线前五天的 70.7 万次，还一度冲到美国应用榜单第 2 位；到 9 月 22 日路透社发稿时，Sensor Tower 数据中的下载量已超过 250 万次。

平台、硬件与年龄门槛：官方划出的边界

设备端，实时对话当前支持移动端、网页端和 Mac；AI Glasses（AI 眼镜）和 Muse Charm 上的语音对话「即将到来」。Muse Charm 是 Meta 计划在年底前推出的一款类似 Tamagotchi（电子宠物机）的可穿戴设备，TechCrunch 称届时数字形象会出现在它的小屏幕上——这仍是 Meta 的计划，而非已上市产品。

地区上，官方博客的措辞是「在美国的 Muse 应用中先行推出（in the US to start）」，Wang 的帖文同样只写明美国。两条限制也写在公开材料里：研究博客注明 Muse 仅面向 18 岁以上用户；定价，在官方博客全文和 Wang 的两则帖文中都没有出现。

两个多小时后的第二帖：Antonelli 与 Voice 的关系仍未说明

UTC 时间 11 月 5 日 21 时 26 分（北京时间 6 日凌晨 5 时 26 分），Wang ：「live like f1 champion kimi antonelli」（活得像 F1 冠军 Kimi Antonelli），下一行是「talk to your muse with Voice」（用 Voice 和你的 Muse 交谈）。帖子未附图或链接，也没有说明这两行之间的关系，没有说明 Antonelli 与 Muse 是否存在关联——「F1 冠军」这一称呼出自帖文原文，本篇不据此认定其头衔。截至发稿，这条帖子获得 449 次点赞、4 万余次浏览。

回复区里，用户的问题比帖文更具体。在可检索的回复样本中，至少八条在追问美国之外何时开放：来自蒙特利尔的用户，有人直接，还有人。也有用户反映拿到功能的速度不一：一位认证用户，追问是不是在分批推送；另一位认证用户则，还建议修掉非疑问句句尾的上扬语调；另有用户。

截至发稿，两件事仍没有答案：回复区里被反复追问的美国之外开放时间，官方博客只写到「先行」；「live like f1 champion kimi antonelli」与下一行 Voice 宣传的关系，Wang 没有解释。

参考链接

Wang 的「功能警报」帖：竖屏演示视频与互动数据

截至发稿（北京时间 11 月 6 日上午），这条帖文获得 1,259 次点赞、189 条回复、137 次转发，浏览量超过 12.2 万次。