Muse Realtime Avatar: Apa yang Dibangun Meta, Apa yang Menjalankannya, dan Mengapa Anda Masih Tidak Bisa Menghubunginya

Muse Realtime Avatar adalah teknologi perwujudan milik Meta. Teknologi ini mengambil aliran ucapan yang dihasilkan Muse Realtime Voice lalu merender performa yang sesuai: arahkan ke sebuah potret fotografis dan wajahnya merespons dengan perubahan ekspresi kecil, arahkan ke ilustrasi seluruh tubuh dan sosoknya bergestur serta mengubah posturnya saat berbicara. Meta AI Research memperkenalkannya pada 23 September 2026 dalam sebuah pos berjudul "Bringing Your Muse to Life." Ini adalah hasil riset, bukan produk — halaman Meta sendiri tidak menawarkan API, harga, daftar tunggu, maupun tanggal publikasi — jadi jawaban jujur untuk "bisakah saya menggunakannya hari ini" adalah tidak. Model Muse yang bisa Anda panggil hari ini adalah model yang berbeda, Meta Muse Spark 1.2.

Jawaban itu layak dinyatakan di paragraf pertama, bukan di paragraf terakhir, karena pembaca yang mencari nama ini biasanya sedang memutuskan apakah akan merencanakan sesuatu berdasarkan jawaban itu. Rencanakan berdasarkan riset, bukan berdasarkan sebuah endpoint.

Ada satu hal yang perlu dikatakan secara terus terang sebelum hal lain apa pun, karena halaman ini melanggar sebuah aturan yang seharusnya ia akui. Blog ini biasanya menulis tentang model pada minggu peluncurannya. Muse Realtime Avatar diumumkan seminggu sebelum halaman ini dipasang, jadi menurut pembacaan ketat atas jendela kebaruan, item ini akan dilewatkan. Ini bukan artikel berita tentang peristiwa bertanggal. Ini adalah halaman referensi untuk model yang aktif dalam percakapan katalog hari ini: halaman yang dicapai pembaca setelah mengetikkan nama model itu sendiri, yang dasar pembenarannya adalah permintaan pencarian yang berlangsung dan kami ukur sendiri, bukan kebaruan sebuah peluncuran. Pengumuman September disebutkan di sini sebagai fakta yang memberi tanggal pada model, bukan sebagai peristiwa untuk dilaporkan, dan tidak ada apa pun di bawah ini yang merupakan pengumuman kedua. Liputan kami pada hari itu adalah tulisan terpisah dan tetap terpisah.

Di mana posisinya dalam keluarga Muse

Meta menegaskan bahwa ini adalah dua lapisan dari satu sistem, bukan dua produk. Dalam penyebutan Meta, "Muse Realtime Voice dan Muse Realtime Avatar membentuk satu sistem streaming yang menghubungkan kecerdasan, suara, dan perwujudan." Lapisan suara menyediakan kecerdasan percakapan dan memancarkan aliran token ucapan — Meta menyebutnya VQs — yang membawa baik apa yang dikatakan maupun bagaimana cara penyampaiannya. Dekoder audio mengubah token tersebut menjadi suara, dan lapisan avatar mengonsumsi aliran yang sama untuk menghasilkan gambar. Berbagi satu aliran token inilah yang menjaga suara, gerakan bibir, dan ekspresi tetap selaras; tidak ada proses sinkronisasi bibir terpisah yang ditambahkan setelahnya.

Jadi: Muse Realtime Voice adalah lapisan percakapan. Muse Realtime Avatar adalah lapisan perwujudan yang dibangun di atasnya. Tidak satu pun dari keduanya adalah hal yang dapat Anda panggil.

Berhati-hatilah juga dengan nama yang mirip, karena nama itulah yang paling mungkin disalahartikan sebagai salah satu dari keduanya. Muse Voice Transcribe adalah endpoint transkripsi, dan merupakan produk yang benar-benar berbeda. Dokumentasi pengembang Meta tidak ambigu: "Ini hanya speech-to-text; ini tidak menyintesis ucapan atau menyediakan API percakapan speech-to-speech." Ini mengembalikan timestamp tingkat giliran, bukan tingkat kata, dan Meta mencantumkannya pada harga $0.18 per jam di halaman itu. Ini adalah endpoint nyata yang berbayar. Ini bukan suara, dan jelas bukan avatar.

Model Muse yang benar-benar dapat dipanggil adalah Meta Muse Spark 1.2, model penalaran yang dirilis Meta dengan konteks satu juta token serta masukan teks, gambar, video, file, dan audio. Model itu dapat dirutekan di sini hari ini, pada harga daftar penyedia tanpa markup, dengan key yang sama seperti semua hal lain di katalog, dan kartu live-nya memuat spesifikasi lengkap. Kami tidak menyediakan Muse Realtime Avatar. Kami memeriksa lagi daftar model live saat menulis ini dan satu-satunya entri Muse di dalamnya adalah dua checkpoint Spark, 1.2 dan pendahulunya, 1.1. Mengatakan apa pun yang lebih lunak dari itu — bahwa keluarga ini "tersedia sebagian" — akan menyiratkan bahwa kami merutekan sesuatu yang tidak kami sediakan.

Teknologi tersebut, dinyatakan dalam istilah Meta sendiri

Deskripsi Meta tentang arsitektur ini cukup ringkas untuk dikutip alih-alih diparafrasekan. Muse Realtime Avatar adalah "Diffusion Transformer yang digerakkan audio, dikondisikan pada aliran token ucapan, media referensi, dan jendela bergulir dari latent video terkini," dan ia "menghasilkan video dalam potongan kausal pendek." Bagian kedua dari kalimat itu adalah bagian yang menopang: saat setiap potongan selesai, latent terbaru yang dihasilkannya menjadi konteks gerak bagi potongan berikutnya. Alasan yang dinyatakan Meta adalah kontinuitas — penampilan dan tingkah laku avatar terbawa lintas giliran sementara komputasi tetap terbatas, yang memungkinkan generasi berlanjut selama percakapan berlangsung alih-alih melenceng atau kehabisan anggaran.

Mekanisme provenans termasuk dalam paragraf yang sama karena Meta menyajikannya sebagai bagian dari sistem, bukan sebagai tambahan yang dipikirkan belakangan: video yang dihasilkan membawa watermark tak terlihat yang tahan lama yang diterapkan melalui Meta Video Seal, yang menurut Meta tidak menambah latensi pada jalur real-time.

Meta mengukur hal ini dan menerbitkan empat angka untuknya. Angka-angka itu — dan kaveat spesifik yang dibutuhkan masing-masing, termasuk kaveat yang terbaca seperti percepatan padahal bukan — merupakan bagian dari tulisan peluncuran, yang membawanya dengan konteks yang tetap utuh. Kami tidak akan mengulang angka mentahnya di sini, karena angka mentah justru adalah hal yang hendak dicegah oleh versi berkaveat.

Kami membahas pengumuman tersebut pada hari itu dalam tulisan peluncuran Muse Realtime Avatar kami, dan itu tetap menjadi tempat untuk membaca klaim yang terukur secara lengkap.

Apa yang bukan nama tersebut

Tiga tetangga palsu layak disingkirkan satu per satu, karena masing-masing merupakan tebakan yang masuk akal hanya dari namanya.

• Ini bukan Muse Voice Transcribe. Endpoint itu mengubah ucapan menjadi teks dan, menurut keterangan Meta sendiri, tidak melakukan apa pun untuk arah sebaliknya. Jika yang Anda butuhkan adalah transkrip, Meta menjualnya dan itu adalah hal yang berbeda dengan harga yang berbeda.

• Ini bukan layanan kloning suara. Tidak ada apa pun di halaman Meta yang menjelaskan sintesis suara orang tertentu, menjual model suara, atau menerima sampel suara dari pengguna. Lapisan suara dijelaskan sebagai menghasilkan aliran token; lapisan avatar dijelaskan sebagai mengonsumsi aliran tersebut. Bentuk produk yang biasanya tersirat dari frasa itu — unggah sampel, dapatkan klon — bukan yang dijelaskan di sini, dan materi demo yang memang dipublikasikan Meta dibingkai sebagai ilustrasi kemampuan model.

• Ini bukan avatar konsumen di aplikasi Meta sendiri. Meta menyertakan contoh-contohnya dengan peringatan yang mudah terlewat dan layak diingat: peragaan tersebut "menggambarkan kemampuan model dan tidak semuanya mencerminkan avatar yang tersedia di aplikasi Muse," dan Muse ditujukan untuk pengguna berusia 18 tahun ke atas. Bacalah itu secara harfiah. Sebagian dari yang ditunjukkan unggahan itu adalah kemampuan, bukan inventaris.

Nama keempat layak dipisahkan karena alasan yang berbeda. Muse Realtime Avatar bukanlah Muse Video, model pembuatan video yang telah berada di papan peringkat publik selama sebagian besar tahun ini tanpa dirilis. Halaman kami sendiri tentang situasi itu — Muse Video: Tanggal Rilis, Akses API, dan Apa yang Mungkin Diubah Meta Connect — memuat batasan yang akan kami ulangi di sini secara verbatim alih-alih memperbaikinya: halaman mana pun yang menyebutkan hari peluncuran tertentu atau harga untuk Muse Video tanpa pengumuman Meta yang lebih baru sedang berspekulasi. Disiplin yang sama berlaku untuk subjek halaman ini, jadi halaman ini tidak menyebutkan keduanya. Artikel itu juga menyediakan tanggal yang tidak seharusnya kami campuradukkan: Muse Video dipratinjau pada 7 Juli 2026 dan belum dirilis, itulah sebabnya pencarian untuk keluarga ini memunculkan tanggal-tanggal yang menjadi milik model yang berbeda.

Untuk apa halaman ini, dan apa yang akan mengubahnya

Alasan halaman referensi adalah bentuk yang tepat di sini dapat diukur. Dalam 28 hari hingga 25 September 2026, istilah persis itu menghasilkan 164 tayangan di properti penelusuran kami dan tidak ada klik, dengan posisi terbaiknya 9,3. Lebih dari lima puluh halaman kami menyebut fragmen itu di suatu tempat, dan hampir semua lalu lintas itu bermuara pada satu pos pengumuman. Istilah dengan permintaan yang nyata dan berkelanjutan, berperingkat tepat di luar halaman pertama dan tidak mengonversi siapa pun, bukanlah masalah permintaan atau masalah kualitas — melainkan masalah halaman. Tidak ada halaman yang subjeknya adalah model itu sendiri. Inilah halaman itu.

Posisi ini juga alasan mengapa tidak ada apa pun di sini yang dikemas sebagai berita. Pembaca yang datang dari pencarian nama menginginkan tiga hal secara berurutan: apa ini, apakah tersedia, dan apa yang menjadi landasannya. Semua itu dijawab di atas, dalam urutan tersebut, tanpa tanggal yang dikarang dan tanpa menyebut pesaing.

Yang akan mengubah halaman ini adalah satu pengumuman saja. Jika Meta menerbitkan endpoint, harga, daftar tunggu, atau tanggal untuk Muse Realtime Avatar, bagian ketersediaan tidak lagi menjadi "tidak" dan berubah menjadi spesifikasi, dan halaman ini akan ditulis ulang, bukan sekadar ditambahi. Jika Meta merilis Muse Video, paragraf di atas ikut berubah. Sampai salah satu dari itu terjadi, langkah yang berguna bagi pengembang adalah langkah yang tidak menarik: arahkan antarmuka yang sudah Anda miliki ke model yang benar-benar bisa Anda akses. Setiap model dalam katalog, termasuk Meta Muse Spark 1.2, berada di balik satu endpoint yang kompatibel dengan OpenAI dan satu kunci, yang berarti mencoba bagian dari keluarga ini yang sudah ada hanya membutuhkan perubahan string model, bukan kontrak baru. Ketika lapisan perwujudan menjadi dapat dipanggil, biaya peralihannya juga seharusnya berupa string.