Meta Muse Voice Transcribe 产品描述

一、产品简介

Muse Voice Transcribe 是 Meta 超智能实验室（Meta Superintelligence Labs，简称 MSI）于2026年9月1日发布的首个实时音频感知模型。该模型在单一流程内集成流式自动语音识别（ASR）、说话人分割（diarization）与端点检测（endpointing），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。Muse Voice Transcribe 在 Artificial Analysis 实时语音转文本基线（AA-WER Streaming）上词错误率仅3.1%，排名第一，超越 Cartesia Ink-2 的3.4%与 ElevenLabs Scribe v2 Real-time 的3.6%；说话人区分错误率（DER）17.5%，同样领先同类产品。

二、核心功能

1. 流式实时转写（Streaming ASR）：边说边转，无需等待整段录音结束，真正实现同步字幕与记录。
2. 20人以上说话人分割（Diarization）：可实时区分20位以上不同发言者，并标注每段文字的说话人标签。
3. 端点检测（Endpointing）：精准判断用户何时开始和结束说话，便于对话式 AI 系统准确响应。
4. 70多种语言覆盖：训练数据覆盖70多种语言，已验证25种语言的发音识别，支持句子内或句子间的自然语码切换（code-switching）。
5. 自适应延迟机制：通过强化学习为每个单词动态调整等待时间，在易词上更快交付、在难词上多收一段上下文再输出，兼顾响应速度与准确率。
6. 超长会议支持：原生支持超过1小时的连续音频，无需分段处理，适合全天会议记录场景。
7. 上下文关键词偏好：通过关键词提示（keyword biasing）提升专业术语识别准确率，无需微调。
8. 多模态内容理解：支持在对话中共享屏幕或图片，模型可理解视觉内容并结合语音进行多模态处理。

三、特色优势

• 实时性最优：亚秒级首词延迟（sub-200ms），适合对话式 AI 与实时字幕场景。
• 准确率领先：AA-WER Streaming 3.1% 排名第一，在词错误率与说话人区分两个维度均领先竞品。
• 成本极低：API 定价每1000音频分钟仅3美元（约0.18美元/小时），是 Gemini 3.5 Flash Live 定价的约一半。
• 无需微调：通过上下文关键词机制即可在垂直领域达到高准确率，降低企业部署门槛。
• 闭源商业化：Meta 选择不开源权重，按 API 调用量收费，探索语音 AI 商业化新路径。

四、应用场景

1. 跨国会议实时纪要：20人以上的多语言会议自动转写并区分发言者，精准生成会议记录与待办事项。
2. AI 语音助手底层能力：为对话式 AI 提供低延迟流式 ASR 与精准语音端点检测，让 AI 准确感知用户说话时机。
3. 播客与长访谈字幕生成：处理数小时音频，原生支持多人对话分割，无需后期手动标注说话人。
4. 多语言客服实时质检：转写客服与客户的混合语言对话，自动评估服务质量与合规性。
5. 智能眼镜/耳机实时翻译：结合可穿戴设备实现「看到什么+听到什么」的实时翻译与信息叠加。
6. 法庭/审讯记录存档：高准确率、说话人可溯源的全程语音记录，支持事后检索与回放。

五、适用人群

• 企业会议组织者与行政人员
• 跨国企业客服与销售团队
• 播客主、视频创作者与字幕组
• 语音 AI 应用开发者
• 律师事务所、医院与教育机构（长时录音存档场景）
• 可穿戴设备与智能硬件厂商

六、出品方

• 出品方：Meta Platforms, Inc.（Meta 超智能实验室 MSI）
• 发布时间：2026年9月1日（美国时间），2026年9月2日（中文媒体同步报道）
• 官方文档：https://developer.meta.com/ai/models/muse-voice-transcribe/

七、更新动态

• 2026年9月1日：Muse Voice Transcribe 正式发布，已在 Meta AI Mac 应用和 Muse Code 中提供能力演示。
• 后续计划：Meta 同期发布 Gemini 3.5 Transcribe（Google），两家巨头在实时语音转写赛道正面竞争。

八、官网链接

https://developer.meta.com/ai/models/muse-voice-transcribe/