AREX Feed Article
Meta 宣布 Muse Realtime Avatar 上线美国 Muse 应用，为个人 agent 配上实时互动化身
北京时间 11 月 6 日凌晨（2026-11-05 18:36 UTC），Meta 人工智能业务的官方 X 账号 发帖宣布：其自述为实时具身（real-time embodiment）技术的 当日起在美国的 Muse 应用中推出，把 Muse Realtime Voice 转化为「富有表现力、可交互的化身」。帖文写道，这让人们「以更自然的方式与自己的个人 agent 互动」，并附上了研究博客链接。
这条官宣发出前 41 秒， 刚发帖介绍 Voice：「和你的 Muse 说话，Muse 也会开口回应。」两个官方账号在一分钟内先后发声，先语音、后化身。按帖文口径，这次上线仅限美国市场；帖文未披露支持平台、定价和美国以外市场的开放时间。
图：@AIatMeta 2026 年 11 月 5 日宣布推文所附视频的封面画面。
从 MetaConnect 演示到应用上线：六周里的三个节点
9 月 23 日，Meta 在研究博客 中介绍 Muse Realtime Avatar，开头便称其为「最先进的具身技术」。9 月 24 日，称「@finkd 刚刚在 MetaConnect 揭晓了 Muse Realtime Avatar」，并称它「在 @Muse 中开启全新范围的交互，从实时对话开始」。11 月 5 日的帖文补上第三步：官宣原文写道「今天，我们在美国的 @Muse 应用中推出它」，预览期的技术进入应用。
Muse 是 Meta 的个人 AI agent 应用，于 2026 年 5 月 7 日注册，简介写的是「帮你把事情办成的个人 AI agent」。
一条语音流，两个输出端
研究博客解释了化身怎么动起来：Muse Realtime Voice 与 Muse Realtime Avatar 组成同一条流式系统。Voice 负责对话智能，产出一串语音 token（VQ），其中同时携带「说了什么」和「怎么说」；一个音频解码器把这些 token 变成语音，而 Avatar 消费的是同一条 token 流，生成对应的画面表演。博客称，共享这条流让语音、口型和表情保持同步。
Avatar 本身是一个音频驱动的 Diffusion Transformer（扩散式生成架构），输入包括语音 token 流、参考媒体（reference media）和最近视频潜变量的滚动窗口。它按短因果块逐段生成视频：每一段生成完毕，其最新的潜变量就成为下一段的运动上下文，把化身的外貌和举止带下去，同时把计算量控制在有界范围内，让生成随对话持续进行。
参考媒体决定化身长什么样。博客描述：一张照片肖像会以细微的表情变化回应，全身插画会在说话时做手势、变换姿态，动物和日常物品也能变得有表现力，且不失各自的特点。
Meta 自评的对比测试：总体占优，「动作习惯」一项打平
为了给实时对话中的表现定级，博客称 Meta 把 Muse Realtime Avatar 与 Runway Characters、HeyGen LiveAvatar 这两个「领先的商业化身系统」放在一起比较，测试用各家产品的原生实时通话体验进行。评分者以匹配的化身身份与每个系统进行 2～3 分钟对话，比较视觉质量、音画同步、角色一致性、动作习惯（mannerisms）等维度。
结果全部出自 Meta 自己的评测：博客称评分者在总体和所有评估维度上都更偏好 Muse Realtime Avatar，唯独与 Runway Characters 的动作习惯对比「在统计上无法与持平区分」。截至发稿，公开渠道未见这组数据的独立验证，对比对象和测试条件均由 Meta 设定。
870 毫秒延迟背后的推理栈改造
博客给出的体验指标是：448×768 竖版视频、每秒 25 帧；从用户说完话到收到音视频同步响应的第一个字节，延迟约 870 毫秒。在单个 NVIDIA GB200 上，一个生成步用 20 毫秒产出 8 帧、对应 320 毫秒的播放时长，折合每帧 2.5 毫秒模型时间。
做到实时靠的是蒸馏。博客介绍：教师模型对每个视频块执行 40 步扩散、叠加三向 classifier-free guidance（CFG，无分类器引导），每块共计 120 次模型评估；Meta 把扩散过程和 CFG 效应一起蒸进一个无引导的两步学生模型，评估次数降到 2 次、缩减 60 倍，与教师模型的总体偏好接近五五开。训练中还用了 self-forcing，让学生模型在自己生成的上下文上训练，抵抗误差随时间累积造成的画面漂移；此外还有分布匹配蒸馏（distribution matching distillation）。
服务层面，博客称 Meta 从头改造了实时推理栈：持久化 KV 缓存配合内存感知位置编码复用上下文，缓存感知路由和延迟感知动态批量调度并发会话，4-bit 量化感知训练压低推理成本，融合内核与 NVIDIA CUDA Graph 捕获减少内存与调度开销，并与 NVIDIA 合作优化模型前向计算。博客称这些改造让服务容量相对两步 BF16 基线提升 8 倍，单个 GB200 可承载 12 路并发实时视频会话；生成的画面全程嵌入 Meta Video Seal 不可见水印，且不给实时体验增加延迟。
只有美国、只限 18 岁以上：官宣留下的空白
官方把范围写在明处：11 月 5 日的帖文将化身限定在美国的 Muse 应用，研究博客注明「Muse 仅面向 18 岁以上用户」。
应用本身却在往外走：10 月 28 日 @Muse 宣布进入，11 月 5 日又宣布落地。化身何时跟进这些已开通市场，官方没有给出日期。
研究博客还留下一句注脚：文中示例只用于展示模型能力，「并非全部反映 Muse 应用中实际可用的化身」。