Meta 发布实时音频感知模型 Muse Voice Transcribe，支持 20 余人分轨转写

Meta 发布实时音频感知模型 Muse Voice Transcribe，支持 20 余人分轨转写 这条更新来自 ithome.com，发布时间为 2026-09-02，Aioga 保留原文入口以便核验。

摘要：Meta 推出首个实时音频感知模型 Muse Voice Transcribe，整合流式语音识别、说话人分离与端点检测，可通过 Meta Model API 调用，定价每 1000 分钟音频 3 美元。

背景：IT之家援引9to5Mac称，Muse Voice Transcribe支持20余名说话者的录音分离，支持超过1小时音频，训练覆盖70余种语言，其中25种语言在发布时完成验证，定价为每1000分钟3美元。

Aioga 观察：Aioga判断：该模型把实时转写、多人发言区分和输入边界判断组合在一起，显示出连续音频处理的整合方向。材料未提供实际延迟、准确率或各语言表现数据，自适应延迟机制的效果仍需验证。

影响与后续：可能影响：开发者需要结合调用价格、已验证语言范围、录音人数和术语场景评估适配性。支持持续输出和多人分离不代表所有音频都能稳定识别，实际效果仍可能受语音清晰度与上下文影响。 后续观察：应关注Meta Model API的实际开放范围，以及不同语言、多人录音、自然语言切换和专业术语场景中的识别表现，并核验自适应延迟对实时性与准确度的影响。

IT之家：https://www.ithome.com/ 9 月 2 日消息，科技媒体 9to5Mac 昨日（9 月 1 日）发布博文，报道称 Meta 公司推出 Muse Voice Transcribe， 这是其首个实时音频感知模型。

开发者可通过 Meta Model API 调用该能力，定价为每 1000 分钟音频 3 美元 （现汇率约合 20.2 元人民币） ，等同每小时 0.18 美元 （现汇率约合 1.2 元人民币） 。

该模型在同一流程中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，系统可同步输出文字，无需等待完整录音结束后再单独处理。

IT之家注：“流式”就是边说边转写，模型不必等整段音频说完才出结果，而是会一小段一小段持续输出文字，所以延迟更低，适合实时听写、会议记录、通话字幕。

Muse Voice Transcribe 可在包含 20 余名说话者的录音中分离不同发言者，还能识别说话是否结束，从而自动确定一段输入的边界。

模型训练覆盖 70 余种语言，其中 25 种语言在发布时完成验证。该模型支持长度超过 1 小时的音频，也支持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，提高特定语言、术语或场景下的识别效果。

在技术方面，Meta 为兼顾实时响应和识别准确度，引入名为自适应延迟（adaptive delay）的动态决策机制。系统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，系统可更快提交转写结果。对于发音不清、术语较多或语境复杂的词语，系统会调用更多前后文音频信息。这种机制旨在兼顾。

Meta 称，截至 2026 年 9 月 1 日，Muse Voice Transcribe 位列 Artificial Analysis 流式语音转文本排行榜第 1 名。