Meta发布流式语音转写AI模型Muse Voice Transcribe，支持20余名说话者分轨

9月1日，Meta推出其首个实时音频感知模型Muse Voice Transcribe。开发者可通过Meta Model API调用该模型，定价为每1000分钟音频3美元（约合20.2元人民币），相当于每小时0.18美元。

该模型在同一流程中整合流式自动语音识别、说话人分离与端点检测。用户说话时，系统可同步输出文字，无需等待完整录音结束再单独处理。Muse Voice Transcribe可在包含20余名说话者的录音中区分不同发言者，并识别说话是否结束，自动确定输入边界。

模型训练覆盖70余种语言，其中25种语言在发布时完成验证。它支持长度超过1小时的音频，以及句内或句间的自然语言切换。开发者可通过语言、关键词和上下文偏置，提升特定语言、术语或场景下的识别效果。

技术层面，Meta引入自适应延迟机制，不为所有词语采用固定速度与准确度取舍，而是针对每个词判断需要额外接收多少音频后再输出结果。对于容易识别的语音，系统更快提交转写结果；对于发音不清、术语较多或语境复杂的词语，则调用更多前后文音频信息。Meta表示，截至2026年9月1日，Muse Voice Transcribe位列Artificial Analysis流式语音转文本排行榜第1名。