Meta 旗下的 Superintelligence Labs 推出首款針對即時音訊的模型 Muse Voice Transcribe。它能在對方還在說話時就輸出文字，分辨是誰在說，並判斷一句話在哪裡結束，這三件事全由同一個模型完成。價格為每小時 0.18 美元（約 28 日圓），不到同類服務的一半。
每小時 0.18 美元的定價
即時語音轉寫長期以來單價偏高。Meta 開出的價格是每 1,000 分鐘音訊 3 美元（約 460 日圓），換算成小時約為 0.18 美元（約 28 日圓）。
與競爭對手並列來看，差距相當明顯。Cartesia 的 Ink-2 為每 1,000 分鐘 4 美元（約 610 日圓），ElevenLabs 的 Scribe v2 Realtime 與 Deepgram 的 Flux 都是 6.5 美元（約 990 日圓）。換句話說，Meta 把價格壓在比最便宜的競品再低 25 個百分點的位置。
※1 美元 = 153 日圓（截至 2026 年 9 月 9 日）
這個領域原本就競爭激烈。OpenAI 在 5 月投入用途相同的 GPT-Realtime-Whisper，7 月又調降了轉寫模型的價格。Meta 沒有在效能上正面交鋒，而是直接以價格切入，這與它在 Muse Spark 1.1、1.2 上的做法一致。
每 80 毫秒判斷一次「繼續聽，還是先輸出」
技術上的重點在於如何處理延遲。Muse Voice Transcribe 把輸入的音訊切成 80 毫秒的區塊，每處理完一塊，就判斷要繼續聽下去，還是把下一個詞當成文字輸出。
等得越久，前後文越充足、準確度越高，但輸出也越落後；反之若急著輸出，錯誤就會增加。這個模型會依每個詞的難易度動態調整等待時間：容易辨識的詞立刻輸出，難以判斷的詞則多聽一會兒。
Meta 表示，這樣的行為是透過強化學習（對期望結果給予獎勵以學習策略的方法）取得的。同時對低錯誤率與短延遲給予獎勵，讓模型不會往任一邊傾斜。
說話者分辨與斷句也在同一個模型內完成
過去的即時音訊處理，通常由不同系統分別負責轉寫、說話者分離與發言結束偵測。Muse Voice Transcribe 把這三項整合進單一模型。
在說話者方面，它會把發言者的輪替直接寫進持續產生的文字中，並為每個段落標上 A 到 Z 的識別碼。它可同時分辨 20 人以上，也能在不做後處理的情況下應付超過 1 小時的錄音。在 8 人同處一室的示範中，系統當場把發言分配給了各個人。
支援語言超過 70 種，其中 25 種經過深入驗證，日語也包含在內。對於句子中途切換語言的所謂語碼轉換，它同樣能直接處理。語音辨識在專有名詞上的既有弱點，則可透過事先傳入關鍵字與情境作為提示來補強。
第三方評測準確度居冠，延遲差距卻很小
Meta 的說法大致獲得第三方機構 Artificial Analysis 的驗證。英語的詞錯誤率為 3.1 個百分點，從說話者結束發言到結果確定為 0.16 秒。
在相同條件下，ElevenLabs 的 Scribe v2 Realtime 為 3.6 個百分點、0.14 秒，AssemblyAI 的 Universal-3.5 Pro Realtime 為 4.0 個百分點。Cartesia 的 Ink-2 則視其為自行偵測發言結束或倚賴外部機制，分別為 3.4 與 4.0 個百分點。
準確度上 Meta 確實領先，但延遲方面 ElevenLabs 略快一些，各項數字之間的差距本來就不大。從這組結果來看，實務上真正發揮作用的，恐怕還是開頭提到的價差。
尚未公開的部分
另一方面，Meta 並未公布參數量與訓練資料的規模，也沒有說明音訊資料的來源，權重同樣沒有釋出。想到這家公司過去在開放釋出上的姿態，這一點並不容易照單全收。
目前可用的管道有三個：Meta AI 與 Muse Code 的語音輸入，以及 Meta Model API。在任何應用程式中長按 Fn 鍵，就能叫出語音輸入。
這一切的背景，是執行長 Mark Zuckerberg 提出的「個人超級智慧」構想。在 Meta 員工公開的示範中，他們強調可靠的語音辨識，是讓個人 AI 代理透過 AI 眼鏡持續聽取真實對話的基礎。順帶一提，該公司搭載攝影鏡頭的眼鏡在德國曾被討論是否禁售，聯邦網路管理局最後決定不予追究。
總結
Muse Voice Transcribe 把轉寫、說話者分離與發言結束偵測這三項處理整合進單一模型，並藉由逐詞調整等待時間，在速度與準確度之間取得平衡。第三方評測中它的準確度居冠，但延遲差距很小，各家的效能正逐漸拉近。在這樣的局面下端出每小時 0.18 美元的價格，正好說明了這次發表的用意。會議記錄、字幕製作這類需要長時間連續運作的用途，感受到的差異會更明顯。
