Meta发布首个实时音频感知AI模型：20余人同时说话也能逐字分轨

会懂网AI资讯，9月2日，Meta推出首个实时音频感知模型Muse Voice Transcribe，可在包含20余名说话者的录音中实时分离不同发言者，并支持超过1小时的长音频，以及中英文夹杂的自然语码切换。开发者通过Meta Model API即可调用，定价为每1000分钟音频3美元，约合每小时0.18美元。

该模型把流式自动语音识别、说话人分离与端点检测整合进同一流程。与传统”录完再转”不同，它边说边输出文字，延迟大幅降低，适合实时听写、会议记录与通话字幕。Meta称，截至9月1日，该模型已在Artificial Analysis流式语音转文本榜单登顶第一。

训练覆盖70余种语言，其中25种在发布时完成验证。为兼顾实时响应与识别准确，Meta引入名为”自适应延迟”的动态机制：对容易识别的语句更快提交，对术语密集或语境复杂的词则调用更多上下文音频。这种逐词决策，试图在”快”与”准”之间找到平衡。

从多人的圆桌论坛到跨国团队的语音留言，语音正成为AI系统的实时感知层。当转写足够便宜且足够准，会议、客服、访谈的记录成本将被大幅压低。Meta这次以定价和技术路径双重发力，给实时语音市场扔进了一个不容忽视的新变量。

但效率提升的另一面是隐私与合规的考验：长音频被实时转写，意味着会议、通话被持续数字化。企业如何在“提效”与“授权”之间划线，将成为落地前的必答题。技术跑通之后，规则必须跟上，否则便利可能反噬信任。

对开发者而言，关键在于可控：何时转写、数据存于何处、能否本地部署，将决定它能否走出Demo、进入企业核心流程。便宜只是入场券，信任才是护城河。