Meta推出Muse Voice Transcribe实时音频感知模型。开发者可通过Meta Model API调用该能力，每处理1000分钟音频收费3美元，约合每小时0.18美元。

该模型将流式自动语音识别、说话人分离与端点检测整合到同一流程中。用户说话时，系统可持续同步输出文字，无需等待录音结束后再处理，适用于实时听写、会议记录和通话字幕等场景。

Muse Voice Transcribe能够从包含20余名说话者的录音中分离不同发言者，并判断一段发言是否结束，以自动确定转写内容的边界。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。

该模型支持长度超过1小时的音频，以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，提升特定语言、专业术语或特定场景下的识别效果。

为兼顾实时响应与识别准确度，Meta引入自适应延迟机制。系统不会对所有词语采用固定的延迟策略，而是根据每个词的识别难度，动态决定是否需要接收更多前后音频再输出结果。容易识别的语音会更快提交转写结果，发音不清、术语较多或语境复杂的词语则会利用更多上下文。

Meta表示，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排名第一。