Meta 发布实时语音转写模型 Muse Voice Transcribe

Meta Superintelligence Labs 发布 Muse Voice Transcribe，将实时语音转文字、说话人区分，以及判断用户何时说完等能力整合进一个模型。该模型最长可处理超过 1 小时的音频，并支持区分 20 多名说话人。

在 Artificial Analysis 的英文实时转写测试中，Muse Voice Transcribe 的 WER（词错误率，越低越好）为 3.1%，低于 GPT Live Transcribe 的 3.9% 和 Gemini 3.5 Transcribe Live 的 4.0%。在说话结束后，该模型约 0.16 秒即可给出最终文本。

该模型不会为所有词设置固定等待时间，而是每次读取 80 毫秒音频后，自行判断是继续接收语音还是开始输出文本。简单词可更快生成，复杂词则会等待更多上下文再确认。Meta 表示，其通过强化学习同时优化准确率和延迟。

Muse Voice Transcribe 使用 70 多种语言训练，其中 25 种语言已完成重点验证，并可识别一句话中中英文混合表达。目前，该模型已接入 Meta AI for Mac 和 Muse Code，并开放 Meta Model API。价格为每 1000 分钟 3 美元，约合每小时 0.18 美元。