2026年9月，Meta正式推出旗下首个实时音频感知模型Muse Voice Transcribe，该模型整合流式语音识别、说话人分离、端点检测三大核心能力，支持20余名说话人同时发言时分轨转写，训练覆盖70余种语言，开发者可通过Meta Model API调用，定价为每千分钟音频3美元，较同类产品具备显著成本优势，可广泛应用于会议记录、实时字幕等场景。
多人会议转写的痛点已经存在多年：传统语音转写工具要么需要等待整场会议结束才能输出完整文本，延迟极高；要么最多只能区分5-10个发言者，遇到大型研讨会、圆桌论坛这类多人同场的场景，转写结果往往混乱不堪，需要人工花费数小时校对，效率极低。
Muse Voice Transcribe的核心优势，是将原本需要独立调用的流式自动语音识别、说话人分离、端点检测三大能力整合到了同一计算流程中，不再需要分步处理音频数据。
所谓流式识别，就是模型不需要等待整段音频输入完成，而是可以边接收语音边输出文字，目前官方公布的延迟可控制在300毫秒以内，用户几乎感知不到输出滞后，完全满足实时场景的使用需求。此外该模型最多可同时精准区分20余名说话人身份，自动分轨输出对应文本，还能通过端点检测能力自动判断发言停顿边界，自动切分段落，不需要人工二次调整。
在语言支持上，该模型的训练数据集覆盖了70余种语言，目前已有25种主流语言完成上线验证，包括中英日韩、西班牙语法语等全球商用高频语言。
本次Meta推出的Muse Voice Transcribe并未单独推出ToC端产品，而是以API接口的形式对外开放，开发者可直接通过Meta Model API快速接入相关能力，不需要自行部署大模型算力，大幅降低了中小团队的使用门槛。
其定价更是远低于行业平均水平：每千分钟音频仅收费3美元，换算下来每小时的使用成本仅为0.18美元，约合人民币1.2元。目前市面上同类型实时多人转写服务的定价普遍在每千分钟8-15美元之间，Meta的定价仅为行业均值的20%-37%，成本优势十分显著。
据了解，该模型目前已经可以适配会议记录、线上直播实时字幕、客服通话质检、播客自动配字幕等多种场景，甚至可以作为AI同传的前置输入工具，进一步降低跨国交流的成本。
Meta相关技术负责人透露，后续团队还将迭代模型的口音适配能力，提升小语种以及带方言口音的语音识别准确率，同时还计划开放自定义说话人标注功能，用户可提前上传特定发言者的语音样本，进一步提升分轨识别的准确率。针对金融、政务等对数据安全要求较高的行业，未来还将推出离线部署版本，满足不同客户的需求。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号