返回
Muse视频生成Multimodal AIAgent生成式 AI

Meta Muse 评测:从个人 AI agent 到视频生成,Meta 是不是在下一盘更大的棋?

Harsh Sinha⭐⭐⭐作者主页Oct 28, 2026去Meta Muse官网
92% 有帮助8% 没帮助
1 评论

前几天,我在折腾 Meta Muse 的多模态能力时,撞见了一个让我眼前一亮的点:视频生成。

我之前主要把 Muse 和 AI agent、推理、工具调用、自动化这些联系起来。发现它还跟生成式视频有关之后,我对一件更大的事产生了好奇。

Meta 不只是在做又一个聊天机器人。它正在把 AI agent、图像生成、视频生成和实时交互整合进一个生态里,而这个生态里已经有 Instagram、Facebook 和 WhatsApp 了。

我做过生产级的 AI agent,也折腾过多模态生成管线,所以觉得这个组合特别有意思。

不过这里有个重要区别值得说清楚。Muse 是 Meta 的个人 AI agent,Muse Spark 是为它提供智能的模型家族的一部分,而 Muse Video 是一个专门的生成式视频模型。 Meta AI 提供由 Muse 模型驱动的视频生成,但具体能用哪些功能,会因产品、订阅和地区而不同。

是我的探索促成了这篇评测,但我并没有对 Muse Video 做过受控的质量或延迟基准测试。下面的技术规格和排名来自 Meta 的发布内容,以及独立报道的早期测试。

1. Meta Muse 到底是什么?

Muse 于 2026 年 9 月 8 日上线,是 Meta 想打造的一个「不只是回消息」的个人 AI agent。

它能浏览网页、处理多步任务、连接应用、创建文档、生成图像,还能在用户关掉应用之后继续干活。

它的核心是一套让我这个 AI 工程师很感兴趣的架构。

Muse 在一个叫 Muse Secure VM 的专用虚拟机里运行,自带浏览器和持久化环境。

Meta 不是简单地给一个 LLM 开放外部 API 调用的权限,而是给了 agent 一个类似电脑的环境,让它能在里面规划任务、调用工具、与界面交互、维持上下文。

Meta 还在权限控制、凭据隔离和审批机制上下了重注。

这和传统的聊天助手是完全不同的产品方向。

但我最兴奋的部分是:当这些 agentic 能力遇上生成式媒体,会发生什么。

2. Muse Video:不只是又一个文生视频模型

Meta 在 2026 年 7 月 7 日随 Muse Image 一起正式预览了 Muse Video。

Muse Video 的设计目标是把文字描述变成视频片段,带真实动作、连贯场景和配套音频。

按 Meta 的公告,它瞄准三个重点:

  • Prompt 遵循度: 严格遵循关于主体、动作、镜头运动和场景构图的详细指令。
  • 视觉保真度: 产出可信的质感、光照、环境和电影级画面。
  • 时序一致性: 让物体、角色和视觉细节在连续帧之间保持一致。

它还支持原生音频生成。

最后这个能力值得单独说说。

一个只生成画面的视频模型,还需要一条单独的管线来搞定语音、音乐和音效,这意味着额外的处理和潜在的同步问题。

把音频和视频作为同一个体验的一部分来生成,有可能简化这个流程。

早期结果怎么样?

Meta 报告说,截至 2026 年 7 月 5 日,Muse Video 在 Arena 的文生视频人类偏好排行榜上排第 3。

这是个有意义的早期信号,虽然排行榜排名会随着竞品模型进步而变化。

独立媒体 TestingCatalog 随后报道,他们在 2026 年 8 月拿到了封闭 beta 的实测权限。

它的早期测试生成了 10 秒的片段,包括电影感场景、对话场景、物理交互和风格化场景。

公开演示里的几个例子,展示了这个模型想要覆盖的范围:

场景它测什么
手机式街头采访真实的手持摄影、语音和环境细节
厨师摆盘平滑的镜头运动和精细的视觉细节
产品广告电影感光照、质感和同步音效
角色对着镜头说话面部动作、对话和表情
多个移动主体物体一致性和物理交互

这些例子很有价值,因为它们展示的不只是一个让人惊艳的电影级镜头。

一个能产出真实广告素材、随性手机视频和对话驱动场景的模型,在非常不同的创作流程里都有用武之地。

不过,那个 10 秒时长来自早期 beta 测试,不是一个被确认的通用生成上限。

3. 好脚本比你想象的更重要

现代视频生成最有趣的一点是:prompt 实际上正在变成一份迷你制作简报。

像「给一家咖啡店做个广告」这种含糊的指令,几乎把每个创意决定都留给了模型。

而一份详细的脚本,可以具体指定视觉叙事、主体动作、镜头行为、声音设计和想要的情绪效果。

举个例子,下面是我会用的一份偏制作导向的 prompt,用来评估 Muse Video 做短视频广告的能力:

为一家独立印度咖啡店做一支 10 秒竖屏视频广告。

格式: 9:16,真实手机摄影感,自然光。

0-3 秒: 一位疲惫的软件工程师坐在堆满显示器的桌前。镜头慢慢推向他的脸。他看起来很累,说:「还要再开一个会吗?」

3-7 秒: 切到浓缩咖啡倒进杯子里。捕捉丰富的咖啡油脂、升腾的蒸汽、咖啡机的声音,以及杯子被放到吧台上的特写。

7-10 秒: 工程师喝了一口,笑了。旁白:「你的一天值得更好的咖啡。」

保持自然的人脸表情、可信的肢体动作、一致的光照和同步的声音。剪辑要有意图,避免不必要的镜头切换。

这是一份提议的评估 prompt,并不是说我真的用 Muse 成功生成了这支具体的视频。

这份 prompt 有意围绕「钩子、视觉转折、回报」来组织。

这很重要,因为短视频需要立刻传达信息。

同样的思路可以套用到产品发布、科普视频、讲故事、推广视频和社媒广告上。

我更倾向的做法是:先从一个简单的单场景 prompt 开始,摸清模型遵循指令的能力,再逐步加入对话和多段剪辑。

硬要把太多复杂动作塞进一段很短的生成里,只会增加画面不一致的风险。

我预期会出问题的地方

即使视觉上很强的模型,也可能在生产级要求上翻车。

Meta 自己也承认,在音画同步和快速物理交互方面仍有挑战。

对商业应用,我会专门评估:

  1. 对话是否和嘴型保持同步。
  2. 镜头切换后角色是否还能保持同样的外观。
  3. 产品 logo、标签和其他视觉细节是否保持准确。
  4. 动作是否看起来符合物理规律。
  5. 最终视频是否贴合要求的时长和顺序。

这些,就是「视觉上惊艳的 demo」和「企业能放心发布的素材」之间的差距。

4. 交互式视频才是 Meta 真正有意思的地方

有个功能值得单独说说,就是 Muse Realtime Avatar。

它于 2026 年 9 月 23 日推出,跟常规的 Muse Video 生成器不是一回事。

Muse Realtime Avatar 生成能参与实时对话的动画角色。

它不是生成一段让观众被动观看的固定视频,而是在对话展开的过程中实时生成新的视觉内容。

比如,想象一个教育角色在讲解某个算法是怎么运作的。

学生可以打断、提问,然后通过同一个动画角色收到回复,带同步的语音、表情和动作。

这才是真正的交互式视频。

Meta 描述了一套把流式语音 token、音频解码器和音频条件化的 diffusion transformer 结合起来的架构。

视觉模型接收语音信息,连同参考媒体和之前生成的视觉上下文。

这帮助角色在对话轮次之间保持外观和神态一致。

技术数字挺有意思

Meta 报告了 Muse Realtime Avatar 的以下表现:

指标报告结果
视频分辨率448 × 768 竖屏
帧率25 FPS
响应延迟约 870 毫秒
每块生成的帧数8
蒸馏后每块的 diffusion 评估次数2,从 120 降下来

报告的延迟衡量的是从用户说完一轮到第一个同步音画字节出现之间的时间。

这些是 Meta 的研究测量值,不是我的独立基准。

这背后的架构工作,说实话比单纯生成一段短视频更让人印象深刻。

模型得保持身份、同步声音、维持时序上下文,还要快到足以支撑一场实时对话。

我能想象到 AI 家教、互动游戏角色、数字主持人、入职引导助手、个性化购物体验这些应用场景。

当然,别把这些研究演示误当成消费级 Muse app 里每个 avatar 功能都能用。

而且,一段脚本化的 Muse Video 片段并不自动就是交互式的。交互需要一套额外系统,能接收用户输入并动态响应。

5. Meta 最大的优势可能是 Instagram Reels

这里是我觉得 Meta 相对独立 AI 视频创业公司可能拥有巨大优势的地方。

Meta 已经运营着全球最丰富的短视频生态之一。

Instagram 和 Facebook 里有海量视频内容,涵盖娱乐、教程、产品演示、广告、日常对话,以及数不清的视觉风格。

2025 年 9 月,Meta 报告 Instagram 月活达到 30 亿,而 Reels 每天在 Meta 各平台被转发超过 45 亿次。

这是个惊人的分发和互动信号。

Meta 在 2026 年第二季度财报电话会里还披露,它已经开始用 Muse 模型做视频内容理解,包括主题分类和摘要。

对一个 AI 工程师来说,这打开了一个有趣的可能性。

一个生成式视频系统,可以从「理解视觉结构、动作、对话,和哪些内容能让人上头」之间的关系中获益。

一个成熟的短视频生态,为这种研究提供了一个可能很有用的反馈回路。

想象一下,能把创意生成和对「什么才算好开头钩子、故事如何在视觉上推进、为什么某个场景能抓住注意力」的理解连接起来。

这是个有吸引力的长期产品机会。

不过,我不会说 Meta 拥有全球最大的专有 AI 视频训练数据集,因为没有全面的公开数据集对比能证明这一点。

Meta 也没有公开足够的信息,来确定到底用了多少 Instagram Reels 数据来训练 Muse Video。

Meta 已经证明的优势是它的视频生态规模、分发能力和内容理解基础设施。训练数据的优势是合理的推测,但其确切规模仍未得到验证。

我觉得把这个区别讲清楚,反而让论点更有力。

6. Muse 在生产级 AI 工作流里的位置

我做过 AI agent,所以对「规划和生成」之间的分离特别感兴趣。

设想一家小企业想从一份产品描述出发做一场营销活动。

理想的工作流大概长这样:

产品简报 → 脚本规划 → 分镜 → 图像生成 → 视频生成 → 音频和连贯性检查 → 人工审核 → 发布

Muse Spark 可能能帮忙做推理、调研和规划。

Muse Image 能帮忙准备视觉概念和参考素材。

Muse 驱动的视频生成再把选定的场景变成动态内容。

一个独立的评估阶段会检查输出是否遵循脚本、是否维持品牌一致性、是否保留了重要细节。

这里是我看到一个切实商业用例的地方。

一家公司未必需要成百上千支漂亮的 AI 视频,它需要的是可复现的工作流,能以可接受的成本产出可用的内容。

一个能创建、检查、否决和修改媒体素材的 agentic 系统,远比一个孤立的生成界面有用得多。

Meta 已经展示了这个愿景的若干碎片,尽管它还没能证明所有这些步骤今天就能作为一个全自动的 Muse 工作流一起用。

7. 定价和可用性

Meta 在 2026 年 9 月 15 日宣布 Meta One 时确认,订阅用户可以解锁更多媒体生成能力,包括由 Muse 模型驱动的 AI 视频创作。

发布时,美国区的订阅价格包括:

套餐公布的月价
Meta One Core$7.99
Meta One Premium$19.99

这些套餐提供不同级别的创意 AI 使用额度。

不过 Meta 提醒,可用性和权益因国家、应用和账户而异。

消费级订阅和面向开发者的 API 访问之间也有区别。

我没找到文档足够充分的公开 Muse Video API 产品,能给出标准化的每秒生成定价,从而和其他商业视频生成 API 做可靠的成本对比。

对做生产系统的开发者来说,这仍是个重要的未解问题。

光有订阅定价,无法确定生成成本、吞吐量、并发上限,或商业 API 的适用性。

8. 局限性和安全担忧

Muse 很有前景,但我不会把它当成对所有工作流都生产就绪。

有两类不同的问题。

对视频生成来说,最大的开放问题是可复现性、角色一致性、音画同步、输出时长、精确的创意控制和可预测的成本。

早期样本和排名令人鼓舞,但它们替代不了针对真实生产简报的反复评估。

对个人 agent 来说,安全和权限值得认真审视。

2026 年 9 月,研究人员报告了涉及 Muse 云端环境及其 macOS 应用的漏洞。Meta 用额外的警告和修复做了回应,尽管不同报告里的攻击条件和严重程度各有差异。

更近一点,10 月 20 日,Ars Technica 报道研究人员发现 Muse 的对话分享链接可以被枚举,可能会暴露用户通过这些链接分享的敏感信息。Meta 说它在审查问题的同时暂停了分享功能。

这并不意味着每段 Muse 对话都会自动公开,但它说明了当一个 agent 处理个人或组织信息时所涉及的风险。

对敏感工作,我会从受限权限开始,避免连接不必要的账户,保持应用更新,并仔细审查外部动作。

只有当用户能理解并控制系统在做什么时,自主性才有用。

9. 我的结论

让我对 Meta Muse 兴奋的,不是某一个模型或功能。

而是 推理、自主执行、多模态理解、生成式媒体和实时交互 的组合。

Muse Video 展现了有竞争力的早期表现,包括原生音频生成和令人期待的时间一致性。

Muse Realtime Avatar 又增加了一个维度,证明了生成视频可以是响应式的,而不只是预录好的。

而 Meta 通过 Instagram 和 Facebook 已有的分发能力,给了它一个把 AI 生成整合进创作者已经在用的工作流里的实质性机会。

我尤其对它在短视频广告、产品故事讲述和互动内容上的潜力感兴趣。

但也有实实在在的局限。

Muse Video 的公开可访问性和开发者经济学还需要更清晰。多场景一致性和同步语音需要更多评估。而个人 agent 的安全记录,让人很难推荐不加限制的自主运行。

我的结论:Meta Muse 是把 agentic AI 和生成式媒体连接起来的更有意思的尝试之一,但它仍是一个新兴生态,而不是一个经过验证的端到端视频生产平台。

对创作者来说,值得一试。

对开发者来说,值得密切关注。

对企业来说,我会从低风险的创意实验和带人工审核的工作流开始,再考虑更大的自动化。

更大的机会不只是更快地做视频。

而是构建能理解创意简报、把它变成有吸引力的内容、评估结果、并以最少的人工协调来优化输出的系统。

如果 Meta 能可靠地把这些能力串起来,它的视频生态可能成为一个重要的竞争优势。

而这,正是 Muse 比另一个惊艳的 AI demo 更让我感兴趣的地方。


参考和延伸阅读

评论1

登录后评论
  • user_6b0c91Oct 28, 2026

    Only Muse is shown, so there's no real contrast to see

相关文章