Meta发布实时音频感知模型支持多人分轨转写

Meta公司近日推出Muse Voice Transcribe，这是其首个实时音频感知模型。该模型在同一流程中整合了流式自动语音识别、说话人分离与端点检测，用户在说话时，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。这一特性大幅降低了延迟，适合实时听写、会议记录和通话字幕等场景。

从技术路径来看，Muse Voice Transcribe实现了真正的“边说边转写”。传统语音识别往往需要等待整段音频输入完毕后才开始处理，而该模型采用流式架构，能够一小段一小段持续输出文字。与此同时，模型内置的说话人分离功能可在包含20余名说话者的录音中准确区分不同发言者，端点检测则能自动识别说话是否结束，从而确定一段输入的自然边界。

在识别能力上，Muse Voice Transcribe的训练覆盖了70余种语言，其中25种语言在发布时已完成验证。该模型不仅支持长度超过1小时的音频，还支持句内或句间的自然语言切换，极大便利了多语言混合场景。开发者还可通过语言、关键词和上下文偏置来优化特定术语或场景下的识别效果，增强模型在垂直领域的适用性。

为了兼顾实时响应与识别准确度，Meta引入了名为“自适应延迟”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，而是针对每个词独立判断需要额外接收多少音频后再输出识别结果。对于容易识别的语音，系统可以更快提交转写结果；对于发音不清、术语较多或语境复杂的词语，系统则会调用更多前后文音频信息来提升判断准确性。

目前，开发者可通过Meta Model API调用Muse Voice Transcribe能力，定价为每1000分钟音频3美元，等同每小时0.18美元。据Meta透露，截至2026年9月1日，该模型在Artificial Analysis流式语音转文本排行榜中位列第一，显示出其在实时语音转写领域的领先实力。