日本Meta Superintelligence Labs于9月1日宣布推出实时语音识别模型“Muse Voice Transcribe”。该模型目前可通过Meta Model API、Meta AI for Mac以及Muse Code进行使用。
Muse Voice Transcribe能够实时执行流式自动语音识别（Automatic Speech Recognition），支持超过20名说话人的分离以及语音段落的检测。该模型兼容Meta AI和Muse Code的语音输入功能，能够在屏幕上的任意窗口或应用程序中运行。
在语言支持方面，Muse Voice Transcribe已学习超过70种语言，并在其中25种语言中完成了性能验证。它通过利用上下文偏差提升识别准确率，且能够在单句中无缝处理多语言切换。此外，该模型支持超过1小时的长时间语音输入，无需后期处理。
该技术基于Muse Spark系列的自回归多模态模型。输入的语音以80毫秒为单位进行处理，模型会判断是等待下一段语音还是输出文本。为了平衡转录速度与准确性，系统引入了“自适应延迟”机制，根据单词难度动态调整处理等待时间。
在说话人分离和语音段落检测方面，模型通过在文本流中插入专用标记，指示说话人切换及语音开始和结束，从而实现精准的分离和检测。
