Muse gagne la voix en temps réel et un avatar expressif

Meta déploie depuis le 5 novembre 2026 des conversations vocales en temps réel et des avatars expressifs dans Muse, son agent personnel d’IA, aux États-Unis sur mobile, web et Mac. Le service, déjà montré lors de Connect 2026 en septembre, ajoute une interface parlée et visuelle à un assistant qui savait surtout agir via le texte. L’enjeu dépasse le gadget : Meta veut faire de Muse un outil où l’on parle, où l’on corrige, et où certaines tâches continuent pendant qu’on discute.

Quand parler remplace le prompt bien propre

Avec Muse Realtime Voice, l’utilisateur peut lancer une conversation en tapant sur l’icône téléphone en haut à droite, puis parler librement sans rédiger une requête parfaite. Meta cite des cas très concrets : faire émerger une idée incomplète, préparer un voyage à partir d’une ville ou de quelques préférences, répéter un entretien d’embauche, une présentation ou un pitch. Le modèle répond tout de suite, accepte les interruptions et garde la main sur les tâches confiées en arrière-plan. Pratique, surtout quand on cuisine, qu’on marche ou qu’on a les mains prises ; le genre de moment où le clavier fait moins le malin.

Un avatar qui écoute, parle et suit le ton

L’autre nouveauté, c’est Muse Realtime Avatar, qui donne un visage à l’échange. Les utilisateurs peuvent rester en voix seule, afficher l’avatar à côté de la conversation ou passer en plein écran pour une version face-à-face. Meta dit proposer des centaines de voix, avec des styles variés, dont un profil “New Yorker” et un autre “pirate”, et la sélection reste modifiable à tout moment. L’avatar réagit pendant qu’il écoute et pendant qu’il parle, avec expressions et gestes censés coller au ton de la discussion.

Ce que Meta met derrière la vitrine

Sur le plan technique, Meta présente Muse Realtime Voice et Muse Realtime Avatar comme un seul système de diffusion en continu. Le modèle vocal produit des jetons de parole qui portent à la fois le contenu et la manière de le dire, puis un décodeur audio transforme ces jetons en voix tandis que le modèle d’avatar génère l’image synchronisée. Cette architecture doit garder alignés parole, mouvement des lèvres et expressions, sans casser le rythme de la conversation.

Le document de recherche associé décrit aussi un avatar conditionné par ce flux de jetons, par une image de référence et par une fenêtre roulante de vidéo récente. Concrètement, le système fabrique de courts blocs vidéo, puis réinjecte le contexte visuel produit au bloc précédent pour conserver les gestes et l’apparence. Meta dit avoir réduit la génération de 120 évaluations guidées par le “teacher” à deux évaluations “student” non guidées, soit une division par 60 tout en gardant une qualité proche de celle du modèle de référence.

Une stratégie qui prépare les lunettes et le format de poche

Meta explique que les conversations vocales arriveront aussi “bientôt” sur AI Glasses et Muse Charm, deux formats pensés pour l’usage mains libres et l’interaction de poche. Le premier doit prolonger Muse dans des lunettes connectées ; le second dans un appareil compact dédié à la conversation. Reste la question la plus intéressante : si la voix, l’interruption et l’avatar tiennent vraiment la route en temps réel, Muse ne sera plus seulement un agent qui répond, mais un assistant qu’on peut presque interrompre comme un collègue pressé.

Le déploiement commence toutefois avec une version américaine sur les écrans classiques, et c’est là que se jouera la vraie adoption : moins sur la démonstration que sur la fluidité au quotidien, la fiabilité des tâches déléguées et la capacité à ne pas donner l’impression d’avoir trois interfaces pour le prix d’une.