Meta 首個實時音頻感知模型來了：20 多人同時說話也能分軌轉寫，每千分鍾 3 美元

Meta 推出 Muse Voice Transcribe，這是其首個實時音頻感知模型。開發者可通過 Meta Model API 調用該能力，定價爲每1000分鐘音頻3美元（約合20.2元人民幣），相當於每小時0.18美元。

邊說邊出字，20餘名說話者自動分軌

該模型在同一流程中整合了流式自動語音識別、說話人分離與端點檢測。所謂“流式”，就是邊說邊轉寫，模型不必等整段音頻說完纔出結果，而是一小段一小段持續輸出文字，延遲更低，適合實時聽寫、會議記錄、通話字幕等場景。用戶說話時，系統可同步輸出文字，無需等待完整錄音結束後再單獨處理。

Muse Voice Transcribe 可在包含20餘名說話者的錄音中分離不同發言者，還能識別說話是否結束，從而自動確定一段輸入的邊界。在語言支持上，模型訓練覆蓋70餘種語言，其中25種在發佈時完成驗證;支持長度超過1小時的音頻，也支持句內或句間的自然語言切換。開發者還可通過語言、關鍵詞和上下文偏置，提升特定語言、術語或場景下的識別效果。

自適應延遲機制平衡速度與準確率

爲了兼顧實時響應和識別準確度，Meta 引入了名爲“自適應延遲”（adaptive delay）的動態決策機制。系統不會對所有詞語採用固定的速度與準確度取捨，而是針對每個詞判斷需要額外接收多少音頻後再輸出識別結果:對於較容易識別的語音，系統會更快提交轉寫結果;而對於發音不清、術語較多或語境複雜的詞語，則調用更多前後文音頻信息來提升準確度。

Meta 方面表示，截至2026年9月1日，Muse Voice Transcribe 位列 Artificial Analysis 流式語音轉文本排行榜第1名。