Meta推出首个实时语音识别模型Muse Voice Transcribe。该模型由Meta Superintelligence Labs研发，可在单一系统内实时完成语音转文本、说话人区分及发言结束判断等任务。
高效处理冗长嘈杂对话
Muse Voice Transcribe具备处理冗长且嘈杂对话的突出能力。无需额外处理阶段，即可将超一小时音频或二十余人会议录音转为文本。借助“说话人日记化”（speaker diarization）功能，系统能精准识别各段对话归属，实现按发言人划分文本。
模型训练覆盖70余种语言，其中25种在首发前已完成全面验证。其支持同句多语切换识别，可真实还原双语者日常对话习惯；同时结合语言、关键词及上下文信息，提升专有名词与特定术语的识别准确率。
80毫秒自适应延迟处理机制
Muse Voice Transcribe以80毫秒为片段处理对话，每片段自主决策继续监听或即时转录。Meta将此称为“自适应延迟”：易懂词汇快速输出，难词则等待更多上下文，从而实现单词语速与精度的动态平衡。
模型可自动判定对话起止点，对语音指令类应用至关重要。它能区分用户短暂停顿与完全结束讲话，精准触发响应生成。据Meta披露，自9月1日起，Muse Voice Transcribe在Artificial Analysis实时语音转文本榜单中位居榜首。
目前，该模型已应用于Meta AI桌面端全局听写功能及编码工具Muse Code。开发者可通过Meta Model API调用，定价为每1000分钟音频3美元（约每小时0.18美元）。
Muse Voice Transcribe紧随Google Gemini 3.5 Transcribe发布。后者计划接入Android并逐步拓展至Chrome；而Meta是否将该模型整合进WhatsApp、Instagram或Messenger等高流量平台，尚未明确。