新聞

Meta周二（9/1）正式推出由超級智慧實驗室（Meta Superintelligence Labs，MSL）所開發的首個即時音訊感知模型Muse Voice Transcribe。該模型將串流式自動語音辨識、說話者分離（Diarization）與端點偵測（Endpointing）整合於單一模型之中，用戶說話時系統可同步輸出文字，無需等待完整錄音結束後再進行後製處理。

即時音訊感知模型，是一種能在語音發生的當下同步轉寫與分析的AI技術。有別於傳統離線服務需等錄音結束才處理，此類模型以毫秒級的串流方式持續接收音訊並即時輸出文字。核心挑戰在於低延遲與高準確度間的權衡。市場上主要產品包括Google Gemini 3.5 Transcribe、OpenAI GPT Live Transcribe、ElevenLabs Scribe等，競爭日趨激烈。

在核心技術上，Muse Voice Transcribe採用了自適應延遲（Adaptive Delay）的動態決策機制。系統不會對所有詞彙採用固定的速度與準確度取捨，而是針對每個詞判斷需要額外接收多少音訊後再輸出識別結果。對於較容易辨識的語音，系統可更快提交轉寫結果；面對發音不清、術語較多或語境複雜的詞彙時，則會調用更多前後文音訊資訊以提升準確度。

Meta執行長Mark Zuckerberg解釋，模型會決定何時聆聽，在困難的字詞上等待稍久，在簡單的字詞上更快提交，利用自適應延遲來預測每個token並提高準確度。

Muse Voice Transcribe以超過70種語言的數據進行訓練，發布時已有25種語言完成驗證。模型支援長度超過一小時的音訊，並可在同一句子內或句子之間進行原生層級的語碼切換（Code-Switching），例如中英文夾雜的對話也能無縫辨識。此外，模型還支援語言、關鍵字及情境偏置（Biasing）功能，可進一步提升特定術語或場景下的辨識準確度。

在說話者分離方面，Muse Voice Transcribe能夠在包含20餘名說話者的錄音中區分不同發言者。

根據Meta官方公布的數據，截至2026年9月1日，Muse Voice Transcribe在Artificial Analysis串流語音轉文字排行榜上，以3.1%的最終轉寫字錯誤率（WER） 與0.16秒的延遲，優於ElevenLabs Scribe v2 Realtime（3.6%／0.14秒）及Google Gemini 3.5 Transcribe Live（4.0%／0.41秒）等競爭對手，並在說話者分離基準測試中以17.5%的平均錯誤率領先其他系統。

該模型現已透過Meta Model API提供給開發者使用，定價為每1,000分鐘音訊3美元（約每小時0.18美元）。此外，Muse Voice Transcribe也已整合至Meta AI for Mac及Muse Code的語音輸入功能中。在Mac平臺上，用戶只需按住Fn鍵，即可在任何應用程式中進行系統級的語音輸入。