Meta发布首个实时音频感知模型Muse Voice Transcribe：支持70+语言、20人说话人分离与自适应延迟识别

SmartHey9月2日消息，据科技媒体 9to5Mac 报道，Meta 公司正式推出 Muse Voice Transcribe——其首个面向开发者的实时音频感知语音转文本模型。

开发者可通过 Meta Model API 直接调用该服务，定价为每 1000 分钟音频 3 美元（按当前汇率约合 20.2 元人民币），即每小时仅需 0.18 美元（约 1.2 元人民币）。

该模型在单一处理流程中深度融合了流式自动语音识别（ASR）、说话人分离（Speaker Diarization）与智能端点检测（Endpoint Detection）能力。用户边说边转写，系统实时响应、同步输出文字，无需等待录音结束再批量处理。

Muse Voice Transcribe 可在多达 20 余名发言者的复杂会议录音中精准区分不同说话人，并能自主判断语句是否完结，从而动态划定输入音频的自然边界。

模型训练覆盖全球超 70 种语言，首发即完成其中 25 种语言的精度验证与优化。它原生支持时长超过 1 小时的长音频，并兼容句内及跨句的语言切换（如中英混说）。开发者还可通过指定目标语言、关键词或上下文偏置（context biasing），显著提升特定领域术语、专业词汇或本地化表达的识别准确率。

技术层面，Meta 创新引入“自适应延迟”（Adaptive Delay）机制，在实时性与准确性之间实现智能平衡：系统不再对所有词语采用统一延迟策略，而是逐词动态评估——对清晰、常见语音快速输出；对模糊发音、专有名词或语境依赖强的片段，则自动延长音频窗口，融合更多前后文信息后再决策，兼顾速度与鲁棒性。

截至 2026 年 9 月 1 日，Muse Voice Transcribe 已登顶 Artificial Analysis 全球流式语音转文本性能排行榜首位。