Muse Voice Transcribe

Muse Voice Transcribe lanserades den 1 september 2026 och är enligt Meta den första modellen för realtidsuppfattning av ljud från Meta Superintelligence Labs. Den gör tre saker samtidigt medan någon pratar: skriver ut talet (strömmande taligenkänning), avgör vem som säger vad (diarisering, för mer än 20 talare) och känner av när en talare är klar.

Modellen hör till Muse Spark-familjen. Ljudet delas upp i bitar på 80 millisekunder, och för varje bit bestämmer modellen själv om den ska lyssna vidare eller skriva ut nästa ord. Genom förstärkningsinlärning har den lärt sig att vänta längre på svåra ord och kortare på enkla, vilket Meta kallar adaptiv fördröjning. Den är tränad på över 70 språk, varav 25 är noggrant kontrollerade, hanterar byten mellan språk mitt i en mening och kan få hjälp med egna nyckelord och sammanhang. Den klarar också inspelningar på över en timme.

Enligt Meta låg den först hos Artificial Analysis för strömmande tal till text och på öppna diariseringstester den 1 september 2026, med 3,1 % felaktiga ord och en genomsnittlig diariseringsfelfrekvens på 17,5 %. Modellen ger bara text: den gör inte tal, ger inga tidsstämplar per ord och känner inte av känslor. Den finns som muse-voice-transcribe-1.0 via Meta Model API för 0,18 dollar per timme, och driver röstinmatningen i Meta AI för Mac och i Muse Code.