Meta推出了其首款实时音频模型Muse Voice Transcribe。该模型能够处理20多种说话人的听写和转录，并能无缝同时处理多种语言。
Muse Voice Transcribe是MSL推出的首款实时音频感知模型——今日正式上线。作为流式语音转文本领域的最先进（SOTA）模型，它在单一模型中原生支持说话人分离和端点检测。
Meta首席执行官马克·扎克伯格在三年未在该平台发帖后最近回归X，分享了一个展示该模型同时处理多个说话人和语言的示例。视频中，转录功能能够自动区分多个说话人并在不同语言之间切换。它甚至能够捕捉“语码转换”现象，并转录包含多种语言词汇的句子。
他解释道：“该模型决定何时倾听。它对难词会稍作等待，对易词则快速确认，通过自适应延迟来预测每个词元并提高准确率。”他还表示：“该模型也能应对嘈杂的真实音频——已使用70多种语言进行训练（发布时验证了25种），支持句中语码转换，并能处理长达一小时、涉及20多位说话人的会话。”
Meta的发布比Google Gemini 3.5 Transcribe推出仅少一周，后者是Google自己的音频模型，号称具备类似功能。但尽管Google正将其音频模型嵌入Android和（最终）Chrome中，目前尚不清楚Meta是否计划将Muse Voice Transcribe整合到其旗舰服务中。
不过，人们现在可以在Meta最近发布的Meta AI Mac应用中体验新模式的各项能力。由于该Mac应用能够为其他应用中的语音启用功能提供支持，Muse Voice Transcribe如今将为其他服务中的听写功能提供动力。该模型也在Muse Code和Meta的Model API中对开发者开放，定价为每1,000分钟音频3美元。此外，Meta的研究博客上还有一个Muse Transcribe的演示版本。
已在Meta桌面应用和Muse Code中驱动听写功能。现可通过Meta Model API上线。
Muse Voice Transcribe是Meta超级智能实验室（MSI）的最新发布成果，该实验室一直在不断推出新的AI模型和工具。在过去几周里，该公司还推出了其首个专门的编码代理、一个开放权重模型以及前述的Meta AI Mac应用。