Meta发布实时音频感知模型Muse Voice Transcribe：每分钟识别单价约0.18美元

9月2日，Meta公司昨日（9月1日）推出Muse Voice Transcribe，这是其首个实时音频感知AI模型。该模型在同一流程中整合了流式自动语音识别、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。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（约合每小时0.18美元，即1.2元人民币）。

在技术能力上，Muse Voice Transcribe可在包含20余名说话者的录音中分离不同发言者，并能识别说话是否结束，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，支持长度超过1小时的音频及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，提高特定场景下的识别效果。

为兼顾实时响应与识别准确度，Meta引入了自适应延迟（adaptive delay）动态决策机制。系统会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，以平衡速度与准确度。

Meta官方称，截至2026年9月1日，Muse Voice Transcribe在Artificial Analysis流式语音转文本排行榜中位列第1。这一表现意味着Meta在实时音频感知领域进入了行业前列。随着实时语音交互应用场景的日益广泛，这一模型的推出为开发者提供了更多选择。