Muse Realtime Avatar：Meta 打造了什麼、它靠什麼運作，以及為何你仍無法打電話給它

Muse Realtime Avatar是 Meta 的具身化技術。它會接收 Muse Realtime Voice 所產出的語音串流，並渲染出相應的演出：把它對準一張人物照片，臉部就會以細微的表情變化作出回應；把它對準一張全身插畫，人物就會在說話的同時比手勢、變換姿態。Meta AI Research 於 2026 年 9 月 23 日在一篇名為「Bringing Your Muse to Life」的文章中發表了這項技術。它是研究成果，而非產品——Meta 自家的頁面沒有提供 API、沒有價格、沒有候補名單，也沒有公布日期——所以對於「我今天就能用嗎」，誠實的答案是「不能」。你今天可以呼叫的 Muse 模型是另一個，Meta Muse Spark 1.2。

那個答案值得在第一段就提出，而不是留到最後一段，因為搜尋這個名字的讀者，通常正是在決定要不要把它納入規劃。要圍繞研究來規劃，而不是圍繞某個終點來規劃。

有件事必須先開門見山地說，因為這個頁面打破了一條它應該承認的規則。這個部落格通常會在模型發布的那一週撰寫相關文章。Muse Realtime Avatar 是在這個頁面上線前一週發布的，所以嚴格按照新鮮度時窗來解讀，這個項目本來會被略過。這不是一篇關於某個特定日期事件的新聞報導。這是一個模型的參考頁面，而該模型今天仍在產品目錄的討論中活躍：這是讀者輸入模型自身名稱後所抵達的頁面，其正當性來自我們親自測量的持續搜尋需求，而非發布的新鮮度。此處提及九月的公告，是作為標定該模型時間點的事實，而不是要報導的事件，以下內容也並非第二次公告。我們對那一天的報導是另一篇獨立文章，並且保持獨立。

它在 Muse 家族中的定位

Meta 明確表示，這是同一個系統的兩層，而非兩款產品。用 Meta 的說法，「Muse Realtime Voice 與 Muse Realtime Avatar 構成一套單一的串流系統，串連智慧、語音與具身化。」語音層提供對話智慧，並發出一串語音符元——Meta 稱之為 VQ——這些符元同時承載所說的內容與表達方式。音訊解碼器將這些符元轉為聲音，而化身層則消耗同一串流來生成畫面。共用同一道符元串流，正是讓語音、唇部動作與表情保持同步的關鍵；事後並未另外接上一道獨立的唇形同步處理程序。

所以：Muse Realtime Voice 是對話層。Muse Realtime Avatar 是建構於其上的具身層。兩者都不是你可以呼叫的東西。

同樣要對一個鄰近名稱保持同等謹慎，因為它最有可能被誤認為上述兩者之一。{{KEEP}}Muse Voice Transcribe{{/KEEP}} 是一個逐字稿端點，而且它是真正截然不同的產品。{{KEEP}}Meta{{/KEEP}} 的開發者文件說得很明確：「它僅支援語音轉文字；它不會合成語音，也不提供語音對語音對話 API。」它回傳的是輪次層級的時間戳，而非字詞層級的時間戳，而 {{KEEP}}Meta{{/KEEP}} 在該頁面上將其列為每小時 0.18 美元。它是真實存在、有定價的端點。它不是語音，更絕對不是虛擬化身。

實際上可呼叫的 Muse 模型是 Meta Muse Spark 1.2，這是 Meta 推出的推理模型，具備百萬 token 的上下文，以及文字、圖像、影片、檔案和音訊輸入。那一個今天在這裡就能路由，以供應商的牌價、零加成提供，使用與型錄中其他所有項目相同的金鑰，而且它的即時資訊卡載有完整規格。我們沒有上架 Muse Realtime Avatar。我們在撰寫這篇文章時再次查看了即時模型清單，上面唯一的 Muse 項目就是兩個 Spark 檢查點，1.2 以及它的前身 1.1。講得比這更委婉——說這個系列「部分可用」——就意味著我們路由了實際上並沒有的東西。

這項技術，以 Meta 自己的說法來表述

Meta 對這套架構的描述簡潔到足以直接引用，而不必轉述。Muse Realtime Avatar 是「一個由音訊驅動、以語音 token 串流、參考媒體，以及近期視訊潛在表徵的滑動視窗為條件的 Diffusion Transformer」，而且它「以短的因果區塊生成視訊」。這句話的後半段才是關鍵所在：每當一個區塊完成，其最新生成的潛在表徵就會成為下一個區塊的動作脈絡。Meta 提出的理由是連貫性——虛擬化身的外觀與舉止會跨輪次延續，同時運算量維持在有界範圍內；這正是讓生成能持續到對話結束為止，而不會漂移或耗盡預算的原因。

出處溯源機制應歸於同一段落，因為 Meta 將其呈現為系統的一部分，而非事後追加的補救措施：生成的影片帶有透過 Meta Video Seal 施加的持久隱形浮水印，Meta 表示這不會為即時路徑增加任何延遲。

Meta 量測了這個東西，並為它公布了四項數據。那些數據——以及每一項各自需要的特定但書，包括那個讀起來像是加速、實際上卻不是的一項——都屬於發布文章，該文會把它們連同脈絡完整呈現。我們不會在這裡重述那些赤裸的數字，因為赤裸的數字正是有但書版本存在所要防止的東西。

我們在當天的 Muse Realtime Avatar 發布文章中報導了這則公告，而該文章仍是完整閱讀這些審慎說法的所在。

名稱不是什麼

有三個假鄰居值得逐一排除，因為僅從名稱來看，每一個都是合理的猜測。

• 它不是 Muse Voice Transcribe。那個端點會將語音轉換成文字，而根據 Meta 自己的描述，它在另一個方向上什麼都不做。如果你需要的是轉錄稿，Meta 有賣，但那是不同的東西，價格也不同。

• 它並不是一項語音複製服務。Meta 的頁面上沒有任何內容描述合成特定人物的聲音、販售語音模型，或接受使用者提供的語音樣本。語音層被描述為產生符記串流；虛擬替身層則被描述為取用該串流。那個說法通常暗示的產品形態——上傳樣本、取得複製語音——並不是這裡所描述的內容，而 Meta 確實發布的示範素材，則被定位為模型能力的示意。

• 這不是 Meta 自家應用程式中的消費級虛擬替身。Meta 為其範例附上一項很容易被忽略、也值得謹記的但書：這些示範「展示的是模型能力，並非全都反映 Muse 應用程式中可用的虛擬替身」，而 Muse 僅供 18 歲以上使用者使用。請照字面解讀。該貼文所展示的部分內容是能力，而非庫存。

第四個名稱值得基於不同理由另行區分。Muse Realtime Avatar 不是 Muse Video，後者是今年大部分時間一直待在公開排行榜上、卻尚未推出的影片生成模型。我們自己關於該情況的頁面——Muse Video：發布日期、API 存取權，以及 Meta Connect 可能改變什麼——帶有一項限制，我們在此逐字重述，而不是加以潤飾：任何引用 Muse Video 特定發布日或價格、卻沒有較新的 Meta 公告的頁面，都是在臆測。同樣的準則也適用於本頁主題，因此本頁兩者都不引用。那篇文章也提供了不該由我們弄混的日期：Muse Video 於 2026 年 7 月 7 日預覽，且尚未發布，這就是為什麼搜尋這個系列會出現屬於另一個模型的日期。

這個頁面的用途，以及什麼會改變它

參考頁面之所以是這裡正確的形式，是有數據可衡量的。在截至 2026 年 9 月 25 日的 28 天內，這個確切詞組在我們的搜尋資源上帶來 164 次曝光、零次點擊，最佳排名位置為 9.3。我們有超過五十個頁面在某處提及這個片段，而幾乎所有那些流量都落在同一篇公告文章上。一個有真實且持續需求、排名就在第一頁之外、卻無法促成任何轉換的詞組，不是需求問題，也不是品質問題——而是頁面問題。先前沒有任何頁面是以這個模型本身為主題。這一頁就是。

這個定位也是為什麼這裡沒有任何內容被包裝成新聞。透過名稱搜尋而來的讀者，想依序知道三件事：這是什麼、是否已經可用，以及它是建立在什麼之上。這些問題都在上方依該順序獲得解答，沒有捏造日期，也沒有指名任何競爭對手。

能改變這一頁的，只是一則公告。如果 Meta 為 Muse Realtime Avatar 公布端點、價格、候補名單或日期，可用性這一節就不再是個「沒有」，而會變成一份規格，這一頁也會被改寫，而不是被增補。如果 Meta 推出 Muse Video，上面那一段也會隨之改變。在這兩者之一發生之前，對開發者來說有用的做法並不光鮮：讓你手上既有的介面繼續指向你真正能觸及的模型。目錄中的每一個模型，包括 Meta Muse Spark 1.2，都位於同一個 OpenAI 相容端點與同一把金鑰之後，這意味著要試用這個家族中確實存在的那個部分，代價只是改一個模型字串，而不是簽一份新合約。當具身層變得可以呼叫時，切換成本也應該只是一個字串。