Fonte original: PromptX.blog. Leia a análise completa no site.
Quem abre o modo de voz do Muse nos Estados Unidos hoje conversa com um rosto: o avatar sorri, pisca e move os lábios no ritmo exato do fonema que está sendo sintetizado, enquanto o áudio chega em cerca de 175 ms — praticamente o mesmo intervalo de uma resposta humana. Por trás desse efeito está o Muse Voice, o sistema de fala nativa da Meta que dispensa a cascata clássica de reconhecimento, raciocínio e síntese em três etapas separadas e passou a operar como um único modelo áudio-para-áudio contínuo, acoplado a um gerador de expressões faciais em 3D. A diferença em relação aos assistentes presos à cascata clássica é mensurável na prática: lá, a fala vira texto, o texto vira resposta e a resposta vira áudio, e cada elo acumula atraso, apaga prosódia e emoção e inviabiliza interrupção natural do usuário. A disponibilização oficial pela Meta do Muse Voice e dos Avatares Expressivos em tempo real para os usuários do agente pessoal Muse em aplicativos móveis, web e desktop representa a consagração da arquitetura áudio-para-áudio nativa e contínua (end-to-end full-duplex audio). Alimentado pelas pesquisas de ponta do Meta Superintelligence Labs, o sistema abandona a transcrição intermediária em favor de representações neurais diretas de formas de onda acústica, alcançando latências…
