Meta 发布首个实时音频感知 AI 模型，支持 20 余人分轨转写

Meta发布首个实时音频感知AI模型Muse Voice Transcribe，开发者可通过Meta Model API调用，定价为每1000分钟音频3美元（约合每小时1.2元人民币）。该模型整合流式自动语音识别、说话人分离与端点检测，用户说话时系统同步输出文字，无需等待完整录音结束。它能在包含20余名说话者的录音中分离不同发言者，并自动识别说话结束边界。模型训练覆盖70余种语言，其中25种在发布时完成验证，支持超过1小时音频及句内句间自然语言切换，开发者可通过语言、关键词和上下文偏置提升特定场景识别效果。技术上，Meta引入自适应延迟机制，针对每个词动态调整接收额外音频的量，对易识别语音快速提交结果，对复杂词语调用更多上下文，兼顾实时性与准确度。Meta称，截至2026年9月1日，该模型位列Artificial Analysis流式语音转文本排行榜第一名。