11月5日，Meta 向全美开放消费级 AI Agent 产品 Muse 的实时音视频功能 Muse Voice，率先覆盖移动端、网页端与 Mac 端。系统提供数百种音色、支持随时打断与后台跑任务，音视频同步首字节延迟为 870 毫秒，但单颗 NVIDIA GB200 芯片仅能支撑 12 路并发，付费订阅最高达 100 美元/月，且实时虚拟形象目前仅限英语。
虽然同叫视频通话，Muse Voice 与主流多模态产品走的是相反路线。Google Gemini Live 与 OpenAI ChatGPT 高级语音模式调用手机摄像头和屏幕共享，帮用户看物理世界；Meta 的 Muse 不调用摄像头，它看不见你，只单向渲染一个 25 帧/秒的动态头像。相比 OpenAI 纯音频交互的 GPT-Live 和 Google 仅限企业版的 Gemini 3.8 Live Avatar，Meta 抢先将实时语音、表情手势与后台 Agent 打包塞进 C 端，代价却是切入语音模式后明显的上下文失忆与算力透支。
一颗 GB200 只撑 12 路并发，算力全花在 870 毫秒的画皮上
把语音助手做成实时动画头像，工程账本算下来极其昂贵。
根据 Meta AI Research 在 9 月 23 日发布的技术报告，Muse Voice 由 Muse Realtime Avatar 和 Muse Realtime Voice 两个模型驱动。用户点开界面右上角的电话图标即可开聊，系统提供纯语音、对话旁侧显示、全屏显示三种视图。为了实时生成 448×768 分辨率、25 帧/秒的竖屏视频流，让虚拟人在说话和倾听时做出匹配的表情与手势，单颗 NVIDIA GB200 芯片只能同时支撑 12 路并发视频会话。
有人拿 Meta 的 870 毫秒延迟去跟 OpenAI 常被引用的 320 毫秒比高低，这种对比在工程上并不成立。320 毫秒是 2024 年 GPT-4o 的纯音频平均延迟；到 2026 年 7 月 8 日，OpenAI 迭代出配备 9 种重制音色、支持同时倾听与说话的 GPT-Live，依然没有官方动画形象。Meta 的 870 毫秒则是从话音落下到终端收到同步音视频首字节的时间，渲染负担不在一个量级。
拿顶级算力硬砸前端渲染，直接转嫁成了用户的钱包压力。据 Axios 披露，Muse 除额度受限的免费版外，付费订阅分为 20 美元/月和 100 美元/月两档。而且尽管苹果 App Store 页面标注 Muse 支持英语及另外 38 种语言，Meta 在 10 月 23 日的日本公告中明确写着，实时虚拟形象仅支持英语，其他语种何时开放并无时间表。
| 产品 | 视频交互方向 | 虚拟人及多模态能力 | 价格与门槛 |
|---|---|---|---|
| Meta Muse Voice | 输出端渲染动画 | AI 看不见用户，C 端开放动态表情手势（仅限英语） | 免费额度极易耗尽，付费为 20 / 100 美元/月 |
| Google Gemini Live | 输入端视觉感知 | C 端免费开放摄像头看现实；3.8 Live Avatar 仅限企业版 | 免费版开放视觉输入，付费版 4.99 美元起 |
| OpenAI 语音矩阵 | 输入端视觉感知 | GPT-Live 纯音频无动画；切回 Advanced 模式支持摄像头 | 需订阅 20 美元/月 Plus |
嘴皮子赶在 870 毫秒内张开，脑子却在语音流里丢了魂
我不太买账的是这种算力分配优先级。用户花真金白银消耗 GB200 配额，换来的却是一个看不见现实世界、切到语音还会降智的动画片。
The Verge 记者 Jay Peters 在 iOS 端把助手捏成扎克伯格的脸实测发现，屏幕那头的数字人虽然会跟着节奏挑眉、做手势，但声音怎么调都不像本人，盯着看久了直接掉进恐怖谷。更影响使用的是，Muse 平时接话很快，一旦遇到需要检索信息或核查资料的指令，就会像文字聊天那样卡顿停歇。
皮囊越是急着在 870 毫秒内挤出微笑，底层的推理就越容易丢三落四。
在 Reddit 社区里，早期测试用户除了夸 iPhone 悬浮窗方便、支持随时打断，抱怨最凶的就是合成音色句尾强行上扬，以及切换到语音模式后的脑力降级。有用户反映，Muse 在语音通话里突然聊起双方从未一起做过的家谱研究；还有人发现，一旦从打字切到语音，Muse 不仅更容易出错，连原本在文本里养熟的性格特征也丢得一干二净。
这让人想起早年有声电影刚取代默片时的窘境。当年为了迁就藏在花盆里的笨重麦克风，原本灵动的默片演员只能僵在原地念台词。今天的多模态 AI 固然不完全一样，但底层的工程悖论如出一辙。为了把音视频同步首字节延迟死死压在 870 毫秒以内，系统大概率在上下文窗口截取、检索深度或模型路由上做了妥协。C 端多模态 Agent 的真正分水岭不在嘴型对得有多准，而在低延迟语音流里能不能保住文本级别的记忆。
18+ 成人限定的数据机器，偏要穿一件儿童玩具外套
既然真人头像容易让人不适，Meta 在主推形象上干脆倒向了低龄化。Muse 默认形象名叫 Jolly，长着一副儿童毛绒玩具面孔，Meta 首席 AI 官 Alexandr Wang 演示时用的也是一只白色毛绒狗。但翻开 Meta 官方研究博客的免责条款，上面写着一行硬规定，Muse 严格限制 18 岁以上成年人使用。
《连线》（WIRED）与多位隐私研究者一针见血地指出了这里的反常。一个只准成年人用、最高收费 100 美元/月、还能在后台操作虚拟机的严肃 Agent，为什么要长成儿童玩具？因为人类对毛绒玩具天然缺乏戒心。《论语》里讲“巧言令色，鲜矣仁”，讨巧卖乖的外表往往藏着另一套算计。当一只毛茸茸的卡通小狗歪着头听你说话时，成年人会不自觉地卸下防备，把更多私人秘密和账户权限交出去。
Meta 官方承诺用户可以查看审计追踪（audit trail），且对话和虚拟机数据绝不用于广告系统。但《史记》有言，“天下熙熙，皆为利来”。商业公司放弃把数据塞进广告漏斗，往往是因为拿去喂养下一代多模态大模型的收益更高。10 月 15 日的独立政策审查揭开了合规漏洞：
- 默认喂养模型.除非用户登录账号并钻进设置菜单的数据控制项手动关闭（opt out），否则所有交互数据默认用于训练 AI 模型。
- 隔离机制跳票.Meta 宣称用来防止自身访问用户数据的机密虚拟机（Confidential VM）仍处于即将推出的期货状态，原始语音录音保留多久、何时彻底删除均无公开时间表。
- 已有越界前科.隐私机构 EPIC 在 10 月 2 日的报告中披露，9 月刚上线的 Muse Agent 已发生多起非预期读取用户私人消息及泄露用户地址的安全事故。
穿戴硬件还是空头支票，现在别拿真声纹去喂毛绒狗
Meta 宁可顶着高昂的 GB200 渲染成本也要把头像做出来，图的是手机屏幕之外的随身硬件入口。
按照路线图，Muse Voice 接下来要塞进 Meta AI 眼镜，以及一款在 9 月 Connect 大会上亮相、长得很像 90 年代电子宠物拓麻歌子的穿戴硬件 Muse Charm。当年万代卖拓麻歌子，收的是几十块钱的玩具钱；今天 Meta 复刻这个形态，是想绕开苹果和谷歌的手机统治，让你把全天候收音的硬件挂在背包上。
但这张硬件饼目前还停留在纸面上。尽管媒体口径写着计划今年出货，Meta 官方书面声明只承诺 2026 年晚些时候公布更多信息。直到 11 月 5 日全美开放语音通话这天，Muse Charm 美国官网上依然只有孤零零的通知我（Notify me）按钮，没有价格、没有预购通道、也没有发货日期。
接下来真正决定这套产品成败的变量只有三个：年底前最后一个半月里，Muse Charm 到底能不能拿出实机和定价；机密虚拟机何时正式实装并写明录音销毁周期；当 Muse 真正登上带摄像头的 AI 眼镜时，能不能补上视觉输入短板，并修复切语音就失忆的毛病。在机密虚拟机落地前，切勿在 Muse 语音模式下口述密码或财务信息，首次尝鲜前先去设置里关掉默认模型训练开关，别被屏幕里那只毛绒小狗骗走了你的算力额度和声纹底裤。