Muse Realtime Avatar（ミューズ・リアルタイム・アバター）は、Metaが2026年9月23日に米国のMuseアプリで提供開始したリアルタイム実体化技術で、Muse Realtime Voiceの音声会話を表情豊かな対話型アバターに変えるものです。
室谷代表取締役いやあ、ついにMetaが「顔のないAI」を卒業しましたね。Muse Realtime Avatarは、Metaが2026年9月23日に米国で提供開始したリアルタイム実体化技術で、音声会話を表情豊かなアバターに変えてしまうんですよね。
テキトー教師DotAI 認定講師単にアバターが出るという話じゃないんですよ。音声そのものがアバターの動きを駆動している点が本質で、そこがこれまでの「動く絵」との決定的な違いなんです。
Muse Realtime Avatarとは？Metaが米国で提供開始したリアルタイムアバター技術
Muse Realtime Avatarの仕組み
- 01音声トークン列を生成Muse Realtime Voiceが発話内容と話し方の両方を含む音声トークン（VQ）ストリームを生成
- 02音声と映像を同一ストリームから生成音声デコーダが音声に、Muse Realtime Avatarが同じストリームから映像を生成
- 03条件付きで動画を生成音声トークン列・参照メディア・直近の動画潜在表現を条件に、短い因果的チャンク単位で動画を生成（音声駆動のDiffusion Transformer）
- 04リアルタイムに同期した映像を出力会話の音声ストリームをそのまま入力に、声・口の動き・表情が同期した映像をリアルタイムで作り続ける
室谷代表取締役まず定義から整理しましょう。Muse Realtime Avatarは、MetaがConnectで予告していたリアルタイム実体化技術で、Muse Realtime Voiceを表情豊かで対話的なアバターに変換するものなんですよね。
テキトー教師DotAI 認定講師公式ブログでは「音声駆動のDiffusion Transformer」と説明されています。音声トークン列、参照メディア、直近の動画潜在表現を条件にして、短い因果的チャンク単位で動画を生成する仕組みです。
室谷代表取締役要は、会話の音声ストリームをそのまま入力にして、それに同期した映像をリアルタイムで作り続けるわけです。Muse Realtime Voiceが発話内容と話し方の両方を含む音声トークン（VQ）ストリームを生成して、音声デコーダが音声に、Muse Realtime Avatarが同じストリームから映像を生成する。
このトークン列の共有が、声・口の動き・表情の同期を保っているんですね。
このトークン列の共有が、声・口の動き・表情の同期を保っているんですね。
テキトー教師DotAI 認定講師ここが重要なポイントで、音声と映像が別々のシステムではなく「単一のストリーミングシステム」として設計されているんです。だから口パクがズレない。
講座でも受講生さんがよく「AIアバターは口の動きが気になる」と言うんですが、その違和感の根本を設計レベルで解消しにいっている印象です。
講座でも受講生さんがよく「AIアバターは口の動きが気になる」と言うんですが、その違和感の根本を設計レベルで解消しにいっている印象です。
室谷代表取締役MetaはこれまでAIソフトウェアが「顔のない」存在だったと言っていて、そこに顔と体と声を与えるのが今回の発表の位置づけなんですよね。MYUUUでもエージェントに人格を持たせる話はよく出るんですが、見た目が付くとユーザーの接し方が変わるんですよ。
Muse Realtime Avatarでできること——写真やイラストが表情豊かに会話する
Muse Realtime Avatarでできること
参照メディアが会話に参加
写真・イラストなどを渡すと、そのキャラクターがライブ会話に参加する
写真ポートレートの表情応答
微妙な表情で応答する
全身イラストの身振り
話しながら身振りや姿勢を変える
動物・日用品も表情豊かに
その特徴を失わずに表情豊かになる
顔・手・全身をリアルタイム生成
顔・手・全身の動きをリアルタイムで生成する
ターンをまたぐ一貫性
会話のターンをまたいでも見た目と所作の一貫性が保たれる
テキトー教師DotAI 認定講師できることを整理するとこうです。
- 参照メディア（写真・イラストなど）を渡すと、そのキャラクターがライブ会話に参加する
- 写真のポートレートは微妙な表情で応答する
- 全身イラストは話しながら身振りや姿勢を変える
- 動物や日用品も、その特徴を失わずに表情豊かになる
- 顔・手・全身の動きをリアルタイムで生成する
- 会話のターンをまたいでも見た目と所作の一貫性が保たれる
室谷代表取締役これ、単なるトーキングヘッドじゃないんですよね。公式ブログでも「Beyond talking heads（トーキングヘッドの先へ）」と書かれていて、全身の動きまで含めて生成する。
写真から人物を動かすとなると、手の動きや姿勢まで自然に見えるかが勝負どころですから、そこを押さえてきたのは大きいです。
写真から人物を動かすとなると、手の動きや姿勢まで自然に見えるかが勝負どころですから、そこを押さえてきたのは大きいです。
テキトー教師DotAI 認定講師技術的な工夫も面白いんですよ。各チャンクの生成が終わると、その最新の潜在表現が次の動きの文脈として引き継がれる。
だから計算量を抑えつつ、会話が続く限り生成を続けられる。「リアルタイム無限動画生成」という表現が公式に使われています。
だから計算量を抑えつつ、会話が続く限り生成を続けられる。「リアルタイム無限動画生成」という表現が公式に使われています。
室谷代表取締役会話が長引くとだんだん顔が崩れる、というのはAIアバターあるあるなんですが、そこを自己生成の文脈で学習させるself-forcingで誤差蓄積に対抗している。教師モデルの120回のモデル評価を2回の非誘導評価に蒸留して60倍削減というのも、リアルタイム性を成立させるための現実的な解なんですよね。
テキトー教師DotAI 認定講師ちなみにアバターの表情豊かなパーソナリティは、Muse SparkとMuse Presenceを組み合わせて生み出されるそうです。Muse SparkについてはMeta、Muse Spark 1.1を公開：マルチモーダル推論モデルの進化でも詳しく解説しています。
Muse Realtime Avatarの使い方・始め方——Museアプリでの利用フロー
まとめ
Muse Realtime Avatar 現時点で分かっていること
- 基本はMuseアプリの中で使う形。MuseはMetaのパーソナルAIエージェントで2026年9月初旬にローンチ
- 公式スレッドの案内は「米国のMuseアプリでロールアウトしている」までで、細かい設定手順は未公開
- Museアプリ上でパーソナルエージェントとリアルタイムのアバター会話ができる
- 具体的な起動手順やアバターのカスタマイズ範囲は現時点では明らかにされていない
- 公式ブログ注記: 記事の例はモデル能力を示すもので、すべてがMuseアプリで使えるアバターではない
- Museは18歳以上向けと明記されている
室谷代表取締役使い方ですが、基本はMuseアプリの中で使う形になります。MuseはMetaのパーソナルAIエージェントで、2026年9月初旬にローンチされたばかり。
メールやカレンダーなどユーザーのアプリ・サービスに接続して日常タスクをこなす存在です。
メールやカレンダーなどユーザーのアプリ・サービスに接続して日常タスクをこなす存在です。
テキトー教師DotAI 認定講師公式スレッドでは「米国のMuseアプリでロールアウトしている」とだけ案内されていて、細かい設定手順までは明らかにされていません。現時点で分かっているのは、Museアプリ上でパーソナルエージェントとリアルタイムのアバター会話ができる、という点です。
室谷代表取締役具体的な起動手順やアバターのカスタマイズ範囲については、現時点では明らかにされていません。公式ブログにも「この記事の例はモデル能力を示すもので、すべてがMuseアプリで利用できるアバターではない」と注記されています。
デモで見たものがそのままアプリで使えるわけではないので、そこは期待しすぎないほうがいいです。
デモで見たものがそのままアプリで使えるわけではないので、そこは期待しすぎないほうがいいです。
テキトー教師DotAI 認定講師あと見落としがちなのが年齢制限です。Museは18歳以上向けと明記されています。
受講生さんから「子どもに使わせたい」と聞かれることもあるんですが、ここは明確に線が引かれています。
受講生さんから「子どもに使わせたい」と聞かれることもあるんですが、ここは明確に線が引かれています。
室谷代表取締役料金と提供範囲——日本で使えるのはいつから？
テキトー教師DotAI 認定講師ここが一番気になる読者が多いところだと思うんですが、Muse Realtime Avatar自体の追加料金は現時点では明らかにされていません。Museの料金体系は、無料枠があり、有料プランがPower（月20ドル／週5億トークン）とMaximum（月100ドル／週30億トークン）という構成です。
室谷代表取締役提供範囲は明確で、今回のロールアウトは米国のMuseアプリ限定です。日本での提供時期については現時点では明らかにされていません。
Metaの公式ヘルプでも「MuseとMuseサブスクリプションは限定的なテスト中で、すべての地域で利用できるわけではない」と案内されています。
Metaの公式ヘルプでも「MuseとMuseサブスクリプションは限定的なテスト中で、すべての地域で利用できるわけではない」と案内されています。
テキトー教師DotAI 認定講師段階的なロールアウトなので、米国でも全員に一斉に届くわけではない点は押さえておきたいですね。日本で使えるようになる時期は、公式の続報を待つしかない状況です。
室谷代表取締役日本のユーザーとしては、まずMuse自体が日本で展開されるかどうかが前提になりますからね。ここは焦らず公式情報を追うのが正解です。
なぜ話題なのか——「顔のないAI」からリアルタイム実体化へ
室谷代表取締役これが話題な理由は、MetaのAIがこれまで「顔のない」存在だったことにあるんですよね。テキストで答える、音声で話す、でも姿はない。
そこに顔と体と声を与えるというのは、ユーザー体験の質を変える話です。
そこに顔と体と声を与えるというのは、ユーザー体験の質を変える話です。
テキトー教師DotAI 認定講師技術的にも難所が2つあったと公式ブログが説明しています。1つは対話に耐える速度での動画生成、もう1つは会話が続く中で外見や所作の一貫性を保つこと。
誤差が蓄積すると途中で顔が崩れるわけです。
誤差が蓄積すると途中で顔が崩れるわけです。
室谷代表取締役さらにMeta規模での配信には低遅延と高並列性の両立が必要だった。ここを解決したのが、KVキャッシュの再利用、キャッシュ認識ルーティング、4bit量子化対応学習、NVIDIAとの協業による最適化。
結果として448x768のポートレート動画を25fps、遅延約870msでストリーミングし、GB2001台で12の同時セッションを処理する。
結果として448x768のポートレート動画を25fps、遅延約870msでストリーミングし、GB2001台で12の同時セッションを処理する。
テキトー教師DotAI 認定講師約870msというのは、ユーザーの発話が終わってから同期した音声と映像の最初のバイトが届くまでの時間です。会話として自然に感じられるラインに踏み込んできた数字だと思います。
室谷代表取締役安全性の面も見逃せないですよね。生成動画にはMeta Video Sealによる不可視ウォーターマークを遅延なしで埋め込む。
リアルタイム性を犠牲にせずにトレーサビリティを確保しているのは、実運用を意識した設計だなと。
リアルタイム性を犠牲にせずにトレーサビリティを確保しているのは、実運用を意識した設計だなと。
テキトー教師DotAI 認定講師このあたりの「実体化」の流れは、Meta、画像生成AI「Muse Image」と動画生成「Muse Video」発表で解説しているメディア生成の延長線上にある話なんですよ。画像・動画・そしてリアルタイムアバターへ、という流れで見るとMetaの狙いが立体的に見えてきます。
既存のMuse音声モードや他社アバターとの違い
室谷代表取締役既存のMuse Realtime Voiceとの関係を整理すると、Voiceが会話知能を担い、Avatarがその音声ストリームを受けて映像を生成する。つまりAvatarはVoiceを置き換えるのではなく、Voiceの上に乗る実体化レイヤーなんですよね。
テキトー教師DotAI 認定講師単に音声モードに映像が付いたというより、音声トークンという共通のストリームを両者が共有している点が構造的な違いです。だから声と口の動きと表情がズレない。
室谷代表取締役他社アバターとの比較も公式ブログに書かれていて、Runway CharactersとHeyGen LiveAvatarを主要な商用アバターシステムとして、各製品のネイティブなライブ通話体験で比較したそうです。2〜3分の会話で評価した結果、Muse Realtime Avatarが総合および評価した全軸で選好された。
ただしRunway Charactersとの所作比較のみ統計的に同等だったと明記されています。
ただしRunway Charactersとの所作比較のみ統計的に同等だったと明記されています。
テキトー教師DotAI 認定講師ここは正確に伝えたいところで、「全軸で圧勝」ではなく、所作の比較だけは同等だったと公式がわざわざ書いている。この誠実さは評価したいですね。
室谷代表取締役あとMuse自体がまだローンチから数週間という若い製品で、そこにリアルタイムアバターを載せてきたスピード感も話題の理由です。Museの新しい動きについてはMetaの「Muse Wonder」とは？個人・業務向けAIエージェントの新モデルも参考になります。
テキトー教師DotAI 認定講師発表の経緯としては、Meta ConnectでMark Zuckerberg氏がキーノートで予告し、デモを披露した上での今回のロールアウトです。TechCrunchによると、Zuckerberg氏はMuseを「パーソナル超知能」に育てる構想を語っていたとのことです。
よくある質問
室谷代表取締役ここまでの内容を、よく聞かれる形で整理しておきますね。
テキトー教師DotAI 認定講師まず「Muse Realtime Avatarで何ができるのか」。参照画像から写真・イラスト・動物・日用品をリアルタイムに動かし、音声会話に同期した表情・手・全身の動きを生成できます。
室谷代表取締役「いつ・どこで使えるのか」。2026年9月23日から米国のMuseアプリで提供開始されています。
日本での提供時期は現時点では明らかにされていません。
日本での提供時期は現時点では明らかにされていません。
テキトー教師DotAI 認定講師「料金は」。Muse Realtime Avatar自体の追加料金は現時点では明らかにされていません。
Museは無料枠があり、有料プランはPowerが月20ドル、Maximumが月100ドルです。
Museは無料枠があり、有料プランはPowerが月20ドル、Maximumが月100ドルです。
室谷代表取締役「既存のMuse音声モードと何が違うのか」。Muse Realtime Voiceが会話知能と音声トークンを担い、Muse Realtime Avatarが同じトークンストリームから映像を生成する実体化レイヤーです。
両者は単一のストリーミングシステムとして連動します。
両者は単一のストリーミングシステムとして連動します。
テキトー教師DotAI 認定講師「プライバシーや安全性は」。生成動画にはMeta Video Sealによる不可視ウォーターマークが遅延なしで埋め込まれます。
カメラや音声データの具体的な取り扱いについては、現時点では明らかにされていません。
カメラや音声データの具体的な取り扱いについては、現時点では明らかにされていません。
室谷代表取締役「対応デバイスや今後の展開は」。現時点で案内されているのはMuseアプリでの提供です。
ウェアラブル端末などへの展開については、今回の公式発表では言及されていません。
ウェアラブル端末などへの展開については、今回の公式発表では言及されていません。
テキトー教師DotAI 認定講師最後に「アバターのカスタマイズ範囲は」。参照メディアを条件に任意のキャラクターを会話に参加させられるという技術説明はありますが、アプリ上でどこまで自由に設定できるかは現時点では明らかにされていません。
室谷代表取締役というわけで、今回はMetaのMuse Realtime Avatarでした。音声と映像を同じトークンストリームで束ねる設計は、今後のAIエージェントの「見た目」の標準になっていく可能性があります。
続報が出たらまた追いかけますね。
続報が出たらまた追いかけますね。
