Meta推出MuseVoiceTranscribe,这是其首个实时音频感知模型。

开发者可通过MetaModelAPI调用该能力,定价为每1000分钟音频3美元,相当于每小时0.18美元。边说边出字,20余名说话者自动分轨该模型在同一流程中整合了流式自动语音识别、说话人分离与端点检测。MuseVoiceTranscribe可在包含20余名说话者的录音中分离不同发言者,还能识别说话是否结束,从而自动确定一段输入的边界。自适应延迟机制平衡速度与准确率为了兼顾实时响应和识别准确度,Meta引入了名为“自适应延迟”的动态决策机制。Meta方面表示,截至2026年9月1日,MuseVoiceTranscribe位列ArtificialAnalysis流式语音转文本排行榜第1名。