Meta 推出 Muse Voice Transcribe，这是其首个实时音频感知模型。开发者可通过 Meta Model API 调用该能力，定价为每1000分钟音频3美元（约合20.2元人民币），相当于每小时0.18美元。
一、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。所谓“流式”，就是边说边转写，模型不必等整段音频说完才出结果，而是一小段一小段持续输出文字，延迟更低，适合实时听写、会议记录、通话字幕等场景。用户说话时，系统可同步输出文字，无需等待完整录音结束后再单独处理。
Muse Voice Transcribe 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。在语言支持上，模型训练覆盖70余种语言，其中25种在发布时完成验证;支持长度超过1小时的音频，也支持句内或句间的自然语言切换。开发者还可通过语言、关键词和上下文偏置，提升特定语言、术语或场景下的识别效果。
二、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”（adaptive delay）的动态决策机制。系统不会对所有词语采用固定的速度与准确度取舍，而是针对每个词判断需要额外接收多少音频后再输出识别结果:对于较容易识别的语音，系统会更快提交转写结果;而对于发音不清、术语较多或语境复杂的词语，则调用更多前后文音频信息来提升准确度。
Meta 方面表示，截至2026年9月1日，Muse Voice Transcribe 位列 Artificial Analysis 流式语音转文本排行榜第1名。
