Meta发布80ms延迟实时语音转录模型Muse Voice

Meta 推出了 Muse Voice Transcribe，这是一款实时模型，能够转录音频、检测句子边界，并区分多达 20 位说话者——无需额外系统。

该模型将音频切分为 80 毫秒的片段，并根据每个词的难度动态调整延迟，在速度与准确率之间实时平衡。

Muse Voice Transcribe 每小时费用为 0.18 美元，低于 OpenAI 和 ElevenLabs 等竞品。模型支持超过 70 种语言，目前已在 Meta AI 和 Meta Model API 中上线。

Meta 的 Superintelligence Labs 发布了旗下首款实时音频感知模型。它能在对话进行时转录音频、区分说话者并检测句子边界。

Spark 系列模型将传入的音频切分为 80 毫秒的片段。每处理一个片段后，模型决定是继续监听还是将下一个词输出为文本，从而控制在下定转录结论前收集多少上下文。

等待越多，准确率越高，但延迟也越大。Meta 表示，Muse Voice Transcribe 能根据每个词的难度动态调整等待时间——简单词输出更快，困难词获得更多聆听时间。Meta 通过强化学习训练了这一行为，同时奖励模型的低错误率和短延迟。

自适应延迟之所以能移动速度-准确率的权衡边界，是因为模型对每个词独立决定聆听时长。| 图片：Meta

Speaker separation and sentence detection without extra systems

Meta 将其余功能内置于同一模型，无需独立系统。对于说话者归属，模型会在运行文本中标记说话者变化，并为每段话标注从 A 到 Z 的标识符。对于句子边界，模型会标记每个话语的起止位置。两项任务均与语音识别联合训练。

该模型能同时区分超过 20 位说话者，并能处理超过一小时的录音而无需后处理。据 Meta 展示的演示，在有八个人共处一室的场景中，系统能实时将词语分配给各个说话者。

Meta 表示，Muse Voice Transcribe 基于超过 70 种语言训练，其中 25 种经过深度测试。该模型还支持代码切换，即说话者在句子中间切换两种语言。关于语言、关键词和上下文的提示可以进一步提升准确率，尤其是对于 "Meta"、"Muse" 或 "Menlo Park" 等专有名词。

Artificial Analysis 在 2026 年 9 月 1 日的独立评估中证实了 Meta 的声明。Muse Voice Transcribe 在说话者结束发言后 0.16 秒内达到 3.1% 的英语词错误率。| 图片：Meta

Artificial Analysis 在独立评估中确认了 Meta 的声明。Muse Voice Transcribe 在说话者结束发言后 0.16 秒内实现 3.1% 的英语词错误率。ElevenLabs Scribe v2 Realtime 为 3.6% 和 0.14 秒，AssemblyAI Universal-3.5 Pro Realtime 为 4.0%。Cartesia Ink-2 的得分在 3.4% 或 4.0% 之间，取决于模型是自行检测话语结尾还是依赖外部系统。竞争异常激烈。OpenAI 于 5 月发布了 GPT-Realtime-Whisper 用于相同目的，并于 7 月下调了转录模型价格。

Meta 将此次发布与 CEO Mark Zuckerberg 的"个人超级智能"愿景联系起来。在一场演示中，Meta 员工认为，可靠的语音识别是个人 AI Agent 通过 AI 眼镜监听真实对话的基础。德国最近讨论了对 Meta 摄像眼镜的禁令，不过德国联邦网络局决定不追究。

Muse Voice Transcribe 现为 Meta AI 和 Muse Code 中的语音听写提供支持，并通过 Meta Model API 提供服务。用户在任何应用中按住"Fn"键即可试用。

Meta 在定价上低于行业水平。每小时 0.18 美元，即每 1000 音频分钟 3 美元，低于 Cartesia Ink-2 的 4 美元、ElevenLabs Scribe v2 Realtime 和 Deepgram Flux 的各自 6.50 美元。

这延续了 Muse Spark 1.1 和 Muse Spark 1.2 的策略——以价格而非峰值性能竞争。该公司未披露模型的参数数量、训练数据量或音频数据来源，也没有发布权重。

Meta 于 2025 年夏将其 AI 部门重组为 Superintelligence Labs，招募了来自 OpenAI、Google DeepMind 和 Apple 的顶尖研究者，签约薪酬高达四年 3 亿美元。但并非所有人都留了下来——有些人几周后就回到了 OpenAI。

AI News Without the Hype – Curated by Humans

订阅 THE DECODER，享受无广告阅读、周报 AI 通讯、每年六期的独家"AI Radar"前沿报告、完整档案访问权限，以及评论区域访问权限。