meta公司近日正式推出其首个实时音频感知模型——Muse Voice Transcribe，这一创新技术为语音转写领域带来了新的突破。开发者可通过meta Model API调用该模型，其定价为每1000分钟音频3美元（约合人民币20.2元），即每小时0.18美元（约合人民币1.2元），这一价格策略为开发者提供了高性价比的选择。
Muse Voice Transcribe的核心优势在于其流式自动语音识别能力，实现了边说边转写的功能。与传统的语音转写技术不同，该模型无需等待完整录音结束后再进行处理，而是能够实时、持续地输出文字结果。这种特性使得它在实时听写、会议记录、通话字幕等场景中具有显著优势，大大降低了延迟，提高了工作效率。
在技术实现上，Muse Voice Transcribe整合了说话人分离与端点检测功能。它能够在包含20余名说话者的录音中准确分离不同发言者，并识别说话的结束点，从而自动确定一段输入的边界。这一功能对于多人会议或访谈等场景尤为重要，能够确保转写结果的准确性和条理性。
该模型还具备强大的语言支持能力。其训练覆盖了70余种语言，其中25种语言在发布时已完成验证。无论是长音频还是短音频，无论是单一语言还是句内或句间的自然语言切换，Muse Voice Transcribe都能轻松应对。开发者还可以通过语言、关键词和上下文偏置来优化模型，提高特定语言、术语或场景下的识别效果。
为了兼顾实时响应和识别准确度，meta引入了自适应延迟的动态决策机制。该机制不会为所有词语采用固定的速度与准确度取舍，而是针对每个词判断需要额外接收多少音频后再输出识别结果。对于较容易识别的语音，系统会更快提交转写结果；而对于发音不清、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进行分析。这种机制确保了模型在各种场景下都能保持高效的性能。
根据Artificial Analysis的流式语音转文本排行榜显示，截至2026年9月1日，Muse Voice Transcribe位列榜首。这一成绩充分证明了该模型在语音转写领域的领先地位和卓越性能。随着技术的不断发展和完善，Muse Voice Transcribe有望为更多行业和场景带来便捷和高效的语音转写解决方案。
