meta公司近日正式发布了其首个实时音频感知模型——Muse Voice Transcribe，为语音转写领域带来了突破性进展。该模型通过整合流式自动语音识别、说话人分离和端点检测技术，实现了用户说话时文字的同步输出，无需等待录音结束后再处理。
在功能设计上，Muse Voice Transcribe展现了强大的多场景适应能力。它能够从包含20余名说话者的录音中精准分离不同发言者，并通过端点检测技术自动识别说话结束的边界，为会议记录、访谈整理等场景提供了高效解决方案。模型支持超过1小时的长音频处理，并允许在句内或句间自然切换语言，目前已覆盖70余种语言，其中25种在发布时已完成验证。
技术层面，meta创新性地引入了自适应延迟机制。该系统不会对所有词语采用统一的识别速度，而是根据语音清晰度动态调整决策策略：对于简单词汇快速输出结果，对发音模糊、专业术语或复杂语境的词汇则调用更多前后文信息进行分析。这种设计在保持实时响应的同时，显著提升了复杂场景下的识别准确率。
开发者可通过meta Model API调用这项服务，定价为每1000分钟音频3美元（约合人民币20.2元），折合每小时0.18美元（约合人民币1.2元）。在第三方评测中，该模型已登顶Artificial Analysis流式语音转文本排行榜首位，其性能表现获得行业认可。
针对特定使用场景，开发者还可通过语言偏好、关键词优化和上下文提示等功能，进一步提升模型在专业术语或特定场景下的识别效果。这一特性使其在医疗、法律、科研等对术语准确性要求较高的领域具有广泛应用潜力。
