说实话,这一轮实时数字人的迭代速度,比我预期的快得多。Meta这次把Muse Realtime Avatar和手持硬件Muse Charm放在一起发布,再加上自家那套Gemini 3.8 Flash TTS做语音底层,基本等于给了业界一套"从声音到表情再到硬件载体"的完整参考设计。以前我们做AI分身,总在纠结"语音合成够不够自然""口型对不对得上",现在这套方案直接把问题抬到了另一个层面:当数字人可以实时手持交互时,产品逻辑会发生什么变化。
这篇文章我不打算复述发布会PPT,而是站在一个常年折腾数字人、语音交互和硬件原型的人的角度,聊聊 Muse Realtime Avatar 这套东西到底拆开来看是什么、为什么用 Gem