Meta 推出实时音频感知模型 Muse Voice Transcribe，按分钟计费

Meta 公司近日发布了其首个实时音频感知模型 Muse Voice Transcribe，开发者可通过 Meta Model API 调用，定价为每 1000 分钟音频 3 美元。该模型在同一流程中整合流式自动语音识别、说话人分离与端点检测，用户说话时系统可同步输出文字，无需等待完整录音结束。

Muse Voice Transcribe 能在包含 20 余名说话者的录音中分离不同发言者，并自动识别说话结束以确定输入边界。模型训练覆盖 70 余种语言，其中 25 种在发布时完成验证，支持超过 1 小时的音频及句内或句间的自然语言切换。

为兼顾实时响应和识别准确度，Meta 引入了自适应延迟机制，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。Meta 称，截至 2026 年 9 月 1 日，该模型位列 Artificial Analysis 流式语音转文本排行榜第 1 名。