Meta presenta Muse Realtime Avatar: avatares de vídeo expresivos sincronizados con la voz de Muse en menos de un segundo

El 23 de septiembre de 2026 en Meta Connect, Meta presentó Muse Realtime Avatar, un sistema que convierte Muse Realtime Voice en avatares expresivos e interactivos condicionados a medios de referencia como una foto, una ilustración o incluso animales y objetos. La compañía también anunció las gafas Ray-Ban Meta Audio y dijo que Muse llegará a las gafas; Muse sigue disponible para mayores de 18 años.

Cómo funciona

El avatar lo impulsa un Diffusion Transformer guiado por audio que comparte un flujo de tokens de habla con el modelo de voz para que labios y expresión sigan sincronizados. Meta afirma que transmite un retrato de 448×768 a 25 fotogramas por segundo, con unos 870 milisegundos de latencia desde el final del turno del usuario hasta el primer byte de voz y vídeo sincronizados.

La destilación reduce el cómputo de forma drástica: un profesor con 120 evaluaciones por fragmento se sustituye por un alumno con solo dos evaluaciones no guiadas —una reducción de 60×. En una sola GPU GB200, Meta reporta 12 sesiones de vídeo en tiempo real concurrentes, 8× más capacidad que una línea base BF16.

Comparaciones y seguridad

En comparaciones de llamadas en vivo, según Meta, los evaluadores humanos prefirieron en conjunto Muse Realtime Avatar frente a Runway Characters y HeyGen LiveAvatar. Para seguridad, Meta aplica Meta Video Seal, una marca de agua invisible, sin latencia añadida.

Por qué importa

Los avatares en tiempo real condicionados a una referencia estrechan el vínculo entre la IA conversacional y la presencia en pantalla. Las cifras de latencia, capacidad y marca de agua publicadas por Meta ofrecen una base concreta de cómo pueden desplegarse estos sistemas, mientras que el límite de edad 18+ y el marcado reflejan el marco de seguridad declarado para Muse.