Meta 发布首个实时音频感知 AI 模型，支持 20 余人分轨转写

9 月 2 日消息，科技媒体 9to5Mac 昨日（9 月 1 日）发布博文，报道称 Meta 公司推出 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（现汇率约合 20.2 元人民币），等同每小时 0.18 美元（现汇率约合 1.2 元人民币）。

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后再单独处理。

注：“流式”就是边说边转写，模型不必等整段音频说完才出结果，而是会一小段一小段持续输出文字，所以延迟更低，适合实时听写、会议记录、通话字幕。

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。

模型训练覆盖 70 余种语言，其中 25 种语言在发布时完成验证。该模型支持长度超过 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，提高特定语言、术语或场景下的识别效果。

在技术方面，Meta 为兼顾实时响应和识别准确度，引入名为自适应延迟（adaptive delay）的动态决策机制。系统不会为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，系统可更快提交转写结果。对于发音不清、术语较多或语境复杂的词语，系统会调用更多前后文音频信息。这种机制旨在兼顾。

Meta 称，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。