Meta 正式發佈 Muse Voice Transcribe，這是其首個即時音頻感知模型。該技術將多語言串流轉錄功能整合至 Meta AI for Mac、Muse Code 以及供開發者使用的 Meta Model API，為用戶帶來更高效的語音處理體驗。
Meta Superintelligence Labs 指出，Muse Voice Transcribe 結合了串流自動語音識別、說話人分離及端點檢測技術。在實際應用中，它能在語音發生的同時進行轉錄，並可從包含超過 20 位說話人的錄音中區分不同說話者，同時判斷何時結束對話，整个过程無需獨立的後處理步驟。
該模型訓練涵蓋超過 70 種語言，並在發佈時驗證了其中 25 種。它支持長度超過一小時的音頻，並具備句子內或句子間的原生語碼轉換能力。此外，透過語言、關鍵字及上下文偏差調整，進一步提升識別準確度。Meta 表示，截至 9 月 1 日，該模型在 Artificial Analysis 串流語音轉文字排行榜上位居第一。
Muse Voice Transcribe 採用「自適應延遲」機制，動態決定在確定每個單詞前需聆聽多久，以便在簡單語音中快速推進，而在困難詞彙中利用更多音頻上下文，從而平衡速度與準確率。該模型已於 Meta Model API 提供，收費為每 1,000 分鐘音頻 3 美元，相當於每小時 0.18 美元。目前，用戶可在 Mac 上按住 Fn 鍵，在任何應用程式中使用此功能進行語音聽寫。
| 時間 | 分享(原讚與享) | 評論 | 回應(讚與心情) | 外掛評論 |
|---|