Meta 发布 Muse Voice Transcribe：单一模型实时识别、区分 20 人以上说话、每小时 0.18 美元

Meta 于 2026 年 9 月 1 日（太平洋时间上午 10 点）在 research.meta.ai 发布 Muse Voice Transcribe，这是 Meta Superintelligence Labs 首款“实时音频感知”模型，隶属 Muse Spark 家族。它采用自回归多模态架构，把音频每 80 毫秒切成一块转为 soft token 输入模型，因此能边听边输出文字，不必等整段录音结束再处理。

官方公布的核心规格如下：

• 单一模型原生完成三件事：流式语音识别、20 人以上的说话人分离（谁在说话）、语句端点检测，不需另接后处理流水线。
• 训练覆盖 70 种以上语言，其中 25 种经完整验证，包含中文、日文、越南文、西班牙文；支持同一句话里跨语言 code-switching。
• 可用语言、关键词或场景“偏置”提示，提升人名、产品名等专有名词识别率。
• 自适应延迟：依字词难度决定何时输出结果，简单词先出、难词多等一点。
• 原生支持超过一小时的连续录音。

官方数据为流式词错率（WER）3.1%，说话人分离错误率 17.5%（以 AMI-IHM、AMI-SDM、VoxConverse 三个基准计），并在发布当日登上 Artificial Analysis 流式语音识别榜与公开分离基准榜首。

技术意义：三条流水线合成一条

过去的会议逐字稿多是“识别模型＋分离模型＋断句规则”三段拼接，各段延迟与错误互相叠加。Muse Voice Transcribe 把三项任务放进同一个自回归模型，延迟可控、上下文共享——模型知道上一句是谁说的，断句与分离能互相参考。80 毫秒切块加自适应延迟，则是在“实时”与“准确”之间折中的具体做法。

与竞品比较与获取方式

Meta Model API 定价为每 1,000 音频分钟 3 美元（约每小时 0.18 美元），且已含说话人分离；多数同类服务定价高于此，分离功能也常需另计，此价位属市场低价区间。即日起三个入口可用：Meta Model API、Muse Code，以及 Meta AI for Mac（按 Fn 键即可语音听写）。Meta 同时声明音频不永久存储，逐字稿会标注“AI 生成，可能有误”。

对管理者的意义

在泰国的台／中／泰三语团队，会议常是中文、泰文、英文混说，人工整理纪要慢又易漏。这款模型的跨语言混说与自动区分发言人，加上每小时约 6 泰铢（依汇率换算）的成本，值得评估替代人工会议记录。但泰文不在 25 种完整验证语言之列，正式导入前应先用真实会议录音实测泰文段落准确率，再决定是否全面采用。