Meta Muse实时音频转写 20人分轨创SOTA

时间：2026年9月1日（美国时间），中文媒体9月2日报道。 地点：美国加利福尼亚州，Meta 超级智能实验室（Meta Superintelligence Labs，简称 MSI）。 人物：Meta CEO 马克·扎克伯格、MSI 团队负责人 Alexandr Wang。 事件详情：Meta 正式推出首个实时音频感知模型 Muse Voice Transcribe。该模型在单一流程中集成流式自动语音识别（ASR）、说话人分离（diarization）与端点检测，用户说话时系统即可同步输出文字，无需等待整段录音结束。模型可实时分离 20 人以上录音中不同发言者，训练数据覆盖 70 多种语言（25 种发布时已完成验证），并支持单句内或句间的自然语言切换（code-switching）。在技术细节上，Meta 引入自适应延迟（adaptive delay）机制，在易词上更快提交、在难词上多收一段上下文再输出，兼顾响应速度与准确率。模型同时支持超过 1 小时的长会话。定价方面，开发者通过 Meta Model API 调用价格为每 1000 音频分钟 3 美元（约合 0.18 美元/小时），现已在 Meta AI Mac 应用和 Muse Code 中提供能力演示。 背景：扎克伯格在 X 平台亲自分享演示视频，展示了 Muse Voice Transcribe 自动区分多说话人并在多语言间切换的能力。在 Artificial Analysis AA-WER Streaming 实时语音转文本基准上，该模型词错误率 3.1%，排名第一，超过 Cartesia Ink-2 的 3.4% 与 ElevenLabs Scribe v2 Real-time 的 3.6%；说话人区分错误率 17.5%，同样领先。值得注意的是，Meta 此次并未公开模型权重，与此前 Llama 系列、SeamlessM4T 等的开源策略形成明显对比。 影响：实时多说话人、多语言转写是会议记录、客服、字幕、教育、播客等高频场景的核心需求。Muse Voice Transcribe 的发布让 Meta 在这一赛道正面对决谷歌——后者一周前刚发布 Gemini 3.5 Transcribe 并集成到 Android 与 Chrome 浏览器。Meta 选择不开放权重、按 API 调用次数收费的策略，标志着其语音 AI 商业化路径从此前的"开源引流"转向"能力即服务"。对开发者而言，0.18 美元/小时的定价使大规模会议字幕、跨国客服语音转写等场景的算力成本可被精确估算。 总结：Muse Voice Transcribe 以 SOTA 成绩登顶实时语音转写榜单，20 人分轨与 70 语种同声转写能力是其最大亮点，闭源 API 收费策略也标志 Meta 语音 AI 商业化进入新阶段。 参考来源： https://www.engadget.com/2249112/meta-new-ai-transcription-model-can-distinguist-between-multiple-speakers-and-languages-in-real-time https://www.ithome.com/0/997/218.htm https://www.163.com/dy/article/L5Q4N5FK05561FZX.html https://headlinesbriefing.com/mobi/engadget/metas-real-time-audio-model-transcribes-20-speakers-6be8f921 https://guavy.com/wire/stocks/meta-surpasses-openai-and-google-in-real-time-transcription-with-muse-6XAc9a6TKzaUS0h0CFdrsN https://so.html5.qq.com/page/real/search_news?docid=70000021_7486a97708445252