AI最前沿 88Z.ai 9 月 2 日消息，Meta 发布首个实时音频感知模型 Muse Voice Transcribe，集成流式语音识别、说话人分离及端点检测功能。该模型支持 70 多种语言及 20 人以上分轨转写，凭借自适应延迟机制平衡响应速度与准确度，在 Artificial Analysis 流式语音转文本榜单中排名第一。
消息要点
- 支持 70 余种语言及 20 人以上分轨转写
- 凭自适应延迟机制在 Artificial Analysis 榜单居首
要点
Meta 正式推出名为 Muse Voice Transcribe 的首个实时音频感知模型。该系统深度融合了流式语音识别、说话人分离以及端点检测三大核心技术，能够高效处理复杂音频场景。在实际应用中，它支持超过 70 种语言的识别，并具备对 20 人以上同时进行分轨转写的能力，极大提升了多说话人环境下的处理效率。 为确保最佳用户体验，该模型引入了自适应延迟机制，能够在保证高识别准确度的同时实现快速的实时响应。凭借这一技术优势，Muse Voice Transcribe 在 Artificial Analysis 发布的流式语音转文本排行榜中成功登顶，位列第一，展现了其在实时音频处理领域的领先地位。
资料来源与整理说明
本文由 AI最前沿通过 AI 辅助整理公开资料。产品能力与开放范围按发布方说明转述，未将其视为本站实测或独家采访结论。
- IT之家原始资料发布于
以上日期为原始资料发布日期；标题下方日期为本文在 AI最前沿的发布时间。