Meta公司于9月1日推出其首个实时音频感知模型Muse Voice Transcribe，该模型现已通过Meta Model API向开发者开放调用。定价方面，每1000分钟音频收费3美元，折合每小时约0.18美元。这一价格定位使其在同类实时转写服务中具备一定竞争力。

Muse Voice Transcribe的核心特性在于将流式自动语音识别、说话人分离和端点检测整合在同一流程中。与传统方案需等待完整录音结束后再处理不同，该模型采用流式架构，用户说话时系统即同步输出文字，以片段形式持续生成结果，大幅降低延迟，适配实时听写、会议记录和通话字幕等场景。

在技术能力上，该模型可在包含20余名说话者的录音中实现分轨识别，并能检测说话结束与否，自动判定输入边界。训练数据覆盖70余种语言，其中25种语言在发布时已完成验证。模型支持超过1小时的音频处理，并允许句内或句间的自然语言切换。开发者还可通过语言、关键词和上下文偏置参数，优化特定术语或场景的识别效果。

为平衡实时响应与识别准确度，Meta引入了自适应延迟机制。系统并非对所有词语采用统一的处理速度与精度取舍，而是针对每个词动态判断是否需要额外计算资源，从而在保证低延迟的同时维持较高的识别质量。

该模型的发布标志着Meta在实时音频理解领域迈出关键一步。对于依赖实时转写能力的开发者而言，Muse Voice Transcribe提供了新的技术选项，其多说话人分离和长音频支持能力，有望在会议智能化、无障碍沟通等方向产生实际应用价值。