据报Meta Platforms（META）发布首款实时音频感知模型 支持多人多语言流式转写

金吾财讯 | 据外媒报道，Meta Platforms（META）正式发布Muse Voice Transcribe，这是公司首款实时音频感知模型，开发者可通过Meta Model API调用该服务。

定价方面，服务费用为每1000分钟音频3美元，折合每小时0.18美元。该模型将流式语音识别、说话人分离、端点检测整合在一套流程内，可边说话边输出转写文本，无需等待音频完整录制完成。业务能力上，该模型能够区分同一段录音里20名以上不同发言者，自动识别语句停顿边界；训练覆盖70余种语言，发布时完成25种语言验证，支持时长超1小时音频，也适配句内、句间的多语言切换。开发者还可以通过语言、关键词、上下文偏置，提升特定术语、业务场景下识别精度。技术层面，Meta采用自适应延迟机制，动态权衡识别时延与准确率，针对每一个词汇判断需要接收多少音频再输出结果，兼顾实时响应效果与识别质量。