2026年9月，Meta正式推出旗下首个实时音频感知模型Muse Voice Transcribe，该模型整合流式语音识别、说话人分离、端点检测三大核心能力，支持20余名说话人同时发言时分轨转写，训练覆盖70余种语言，开发者可通过Meta Model API调用，定价为每千分钟音频3美元，较同类产品具备显著成本优势，可广泛应用于会议记录、实时字幕等场景。
多人会议转写的痛点已经存在多年：传统语音转写工具要么需要等待整场会议结束才能输出完整文本，延迟极高；要么最多只能区分5-10个发言者，遇到大型研讨会、圆桌论坛这类多人同场的场景，转写结果往往混乱不堪，需要人工花费数小时校对，效率极低。
Muse Voice Transcribe的核心优势，是将原本需要独立调用的流式自动语音识别、说话人分离、端点检测三大能力整合到了同一计算流程中，不再需要分步处理音频数据。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号