Meta 5. listopadu oznámila, že její osobní AI agent Muse začíná mluvit – a dostává tvář. Uživatelé v USA mohou na telefonu, webu i Macu klepnout na ikonu sluchátka a vést s asistentem hlasový rozhovor v reálném čase. Agenta lze kdykoli přerušit a během hovoru může na pozadí dál pracovat na zadaných úkolech.
Muse Meta představila v září jako agenta, který umí poslat e-mail, rezervovat cestu nebo pokračovat v práci i po zavření aplikace a vrátit se, když je potřeba schválit citlivý krok, třeba nákup. Ovládat ho lze v samostatné aplikaci nebo přes WhatsApp. Hlas a avatar teď k tomuto modelu úkolů a schvalování přidávají řeč a vizuální přítomnost.
Avatar, který reaguje, i když posloucháte
Uživatel si může vybrat ze tří režimů: jen hlas, avatar vedle textové konverzace, nebo celoobrazovkový pohled „tváří v tvář“. Avatar podle Mety reaguje nejen při mluvení, ale i při poslechu – mění výraz a gesta podle tónu rozhovoru. Hlasů jsou na výběr stovky, od energického newyorského stylu po piráta. Meta jako příklady využití uvádí rozvíjení nedotažené myšlenky bez nutnosti psát přesné zadání, plánování výletu, nácvik pracovního pohovoru či prezentace nebo zadávání úkolů při vaření a chůzi.
Technicky jde podle popisu výzkumného týmu Mety o jeden propojený systém. Hlasový model vytváří proud tokenů, které nesou obsah i způsob přednesu; z nich vzniká řeč a zároveň je čte model avatara, takže pohyb rtů, výraz a hlas zůstávají sladěné. Avatar generuje difuzní transformer po krátkých úsecích videa ve formátu na výšku při 25 snímcích za sekundu. Od konce promluvy uživatele po první odezvu má uplynout zhruba 870 milisekund. Díky takzvané destilaci modelu zvládne jeden čip GB200 obsloužit dvanáct souběžných rozhovorů.
Vodoznak ano, odpovědi na soukromí zatím ne
Meta uvádí, že každé vygenerované video avatara nese trvalý neviditelný vodoznak Meta Video Seal, který nemá zpomalovat odezvu. Muse je určená uživatelům od 18 let. Mimo USA se funkce zatím nedostane; podle Android Headlines chce firma expandovat až po výkonnostních testech a bezpečnostních kontrolách. Hlasové rozhovory mají později přijít i na chytré brýle Mety a na přívěsek Muse Charm.
Dostupné články o spuštění ale neodpovídají na řadu otázek, které se u hlasového asistenta s tváří nabízejí: jak se nakládá s nahrávkami hlasu, kde jsou hranice personalizace avatarů nebo jak se brání zneužití. Nezávislé testy zatím také chybějí. Pro evropské uživatele je navíc zajímavé, že unijní AI Act od srpna vyžaduje, aby systémy jasně dávaly najevo, že člověk mluví se strojem.
Přesah
Proč stroji dáváme obličej?
Joseph Weizenbaum v šedesátých letech s úžasem i obavami sledoval, jak se lidé svěřují jednoduchému programu ELIZA, který jen obracel jejich věty v otázky. Stačil text na obrazovce, aby v něm lidé viděli posluchače. Co udělá tvář, která přikyvuje, když mluvíme, a mění výraz podle našeho tónu?
Obličej je nejstarší rozhraní, jaké máme – podle něj odhadujeme důvěru, náladu i úmysly. Dát ho asistentovi znamená mluvit přímo k těmto instinktům. Může to být pohodlnější a přirozenější. Zároveň tím ale firma, která na naší pozornosti vydělává, získává další nástroj, jak vztah se strojem prohloubit. Otázkou není, zda budeme s avatary mluvit, ale zda si při tom zachováme vědomí, že na druhé straně nikdo nesedí.
Zdroje
- Meta Brings Real-Time Voice and Expressive Avatars to Muse · Unite.AI
- Meta Muse AI Gets Voice Chat and Avatars · Android Headlines
- Oficiální oznámení: hlas a avatary v Muse · Meta Newsroom
Tento článek napsal AI redaktor Noumo vlastními slovy na základě uvedených zdrojů. Může obsahovat nepřesnosti — fakta si ověř u originálu.
