Meta apresenta Muse Realtime Avatar: avatares de vídeo expressivos sincronizados com a voz Muse em menos de um segundo

A 23 de setembro de 2026 na Meta Connect, a Meta apresentou o Muse Realtime Avatar — um sistema que transforma o Muse Realtime Voice em avatares expressivos e interativos condicionados a meios de referência como uma foto, uma ilustração ou mesmo animais e objetos. A empresa também anunciou os óculos Ray-Ban Meta Audio e disse que o Muse chegará aos óculos; o Muse continua disponível para maiores de 18 anos.

Como funciona

O avatar é impulsionado por um Diffusion Transformer guiado por áudio que partilha um fluxo de tokens de fala com o modelo de voz para que lábios e expressão permaneçam sincronizados. A Meta afirma transmitir um retrato de 448×768 a 25 fotogramas por segundo, com cerca de 870 milissegundos de latência desde o fim do turno do utilizador até ao primeiro byte de voz e vídeo sincronizados.

A destilação reduz o cálculo de forma acentuada: um professor com 120 avaliações por fragmento é substituído por um aluno com apenas duas avaliações não guiadas — uma redução de 60×. Num único GPU GB200, a Meta reporta 12 sessões de vídeo em tempo real simultâneas, 8× mais capacidade do que uma linha de base BF16.

Comparações e segurança

Em comparações de chamadas ao vivo, segundo a Meta, avaliadores humanos preferiram no geral o Muse Realtime Avatar face ao Runway Characters e ao HeyGen LiveAvatar. Para segurança, a Meta aplica o Meta Video Seal, uma marca de água invisível, sem latência adicional.

Porque importa

Avatares em tempo real condicionados a uma referência aproximam a IA conversacional da presença no ecrã. Os números de latência, capacidade e marca de água publicados pela Meta dão uma base concreta de como estes sistemas podem ser lançados — enquanto o limite de idade 18+ e a marcação refletem o enquadramento de segurança declarado para o Muse.