Meta 推出了首个真正的实时语音感知模型 Muse Voice Transcribe。该系统由 Meta Superintelligence Labs 开发，可将语音转换为文本、区分说话者，并判断讲话是否已经结束。该模型无需额外处理即可处理超过1小时的录音，以及包含20多名说话者的对话。该模型使用70多种语言进行训练，其中25种语言在首个版本发布前经过了全面验证；它能够识别语言切换，并结合上下文识别专有名称。其“自适应延迟”系统以80毫秒为单位处理语音，在速度与准确性之间保持平衡。该系统通过区分讲话的开始与结束，为语音应用确定响应时机。Meta 表示，截至9月1日，该模型在 Artificial Analysis 排名中位居第一。这项技术已被添加至 Meta AI 桌面听写功能和 Muse Code。API 的价格为每千分钟3美元，约合每小时18美分。目前尚不清楚其是否会集成至 WhatsApp、Instagram 和 Messenger。
为何重要
这项进展的实际影响在于，语音应用不仅能够将讲话转换为文字，还能够处理谁在讲话以及互动何时结束。这尤其关系到那些处理长录音、多参与者访谈和使用多种语言的对话的开发者；模型能够识别语言切换，并根据上下文区分专有名称，也可能为这些应用场景带来额外价值。实时处理和自适应延迟使应用能够根据模型对讲话流程的判断来确定生成响应的时机。在公布 API 费用后，希望使用这项技术的人可以提前计算成本，而模型是否会被添加至 WhatsApp、Instagram 和 Messenger，仍是一个关系到用户体验的悬而未决问题。
背景
Meta 并不是 FikirPilot 档案中的新名字：过去90天内，我们发布了4篇提及这一名字的新闻；最新一篇发表于2026年8月30日。