Meta 發表 Muse Voice Transcribe：單一模型即時辨識、分辨 20 人以上說話、每小時 0.18 美元

Meta 於 2026 年 9 月 1 日（太平洋時間上午 10 點）在 research.meta.ai 發表 Muse Voice Transcribe，這是 Meta Superintelligence Labs 首款「即時音訊感知」模型，隸屬 Muse Spark 家族。它採自迴歸多模態架構，把音訊每 80 毫秒切成一塊轉為 soft token 餵入模型，因此能邊聽邊輸出文字，不必等整段錄音結束再處理。

官方公布的核心規格如下：

• 單一模型原生完成三件事：串流語音辨識、20 人以上的說話者分離（誰在講話）、語句端點偵測，不需另接後處理管線。
• 訓練涵蓋 70 種以上語言，其中 25 種經完整驗證，包含中文、日文、越南文、西班牙文；支援同一句話裡跨語言 code-switching。
• 可用語言、關鍵字或情境「偏置」提示，提升人名、產品名等專有名詞辨識率。
• 自適應延遲：依字詞難度決定何時吐出結果，簡單詞先出、難詞多等一點。
• 原生支援超過一小時的連續錄音。

官方數據為串流字錯率（WER）3.1%，說話者分離錯誤率 17.5%（以 AMI-IHM、AMI-SDM、VoxConverse 三個基準計），並在發表當日登上 Artificial Analysis 串流語音辨識榜與公開分離基準榜首。

技術意義：三條管線合成一條

過去的會議逐字稿多是「辨識模型＋分離模型＋斷句規則」三段拼接，各段延遲與錯誤互相疊加。Muse Voice Transcribe 把三項任務放進同一個自迴歸模型，延遲可控、上下文共享——模型知道上一句是誰講的，斷句與分離能互相參考。80 毫秒切塊加自適應延遲，則是在「即時」與「準確」之間折衷的具體做法。

與競品比較與取得方式

Meta Model API 定價為每 1,000 音訊分鐘 3 美元（約每小時 0.18 美元），且已含說話者分離；多數同類服務定價高於此，分離功能也常需另計，此價位屬市場低價區間。即日起三個入口可用：Meta Model API、Muse Code，以及 Meta AI for Mac（按 Fn 鍵即可語音聽寫）。Meta 同時聲明音訊不永久儲存，逐字稿會標註「AI 產生，可能有誤」。

對管理者的意義

在泰國的台／中／泰三語團隊，會議常是中文、泰文、英文混講，人工整理紀錄慢又易漏。這款模型的跨語言混講與自動分辨發言者，加上每小時約 6 泰銖（依匯率換算）的成本，值得評估取代人工會議記錄。但泰文不在 25 種完整驗證語言之列，正式導入前應先用真實會議錄音實測泰文段落準確率，再決定是否全面採用。