MSL 发布 Muse Voice Transcribe:实时流式语音感知模型
bowenc0221 · x · 2026-09-02
MSL(Muse 项目团队)发布 Muse Voice Transcribe,这是其首个流式音频感知模型,可实时完成 ASR(语音识别)、说话人分离(diarization)和端点检测(endpointing)。模型支持长达一小时的音频、20+ 说话人、多语言及无缝语码转换,并提供上下文偏置(contextual biasing)能力。团队表示多模态是人机交互的核心层,Muse Voice Transcribe 是把其实时语音交互模型带给公众的第一步,后续将继续迭代并构建完整的语音交互系统。
所属事件:Meta 发布实时语音感知模型 Muse Voice Transcribe(18 条相关)→
「多模态」频道最新
- 一条 prompt 30 秒生成 20 个连续变换的不可能世界 — umesh_ai · 2026-10-18
- Reddit 用户倡议建开源视频剪辑数据集,破解 LoRA 易崩问题 — Emergency-Shake4529 · 2026-10-18
- Gaussian Splatting 版电影预告片即将登场 — CSProfKGD · 2026-10-18
- 开发者开源 ComfyUI 分镜与视频提示词生成工具 — Resident-Gain-5424 · 2026-10-18
- 博主用 Seedance 2.5 生成特斯拉起飞创意视频 — SimplyAnnisa · 2026-10-18
- 离谱提示词考验:Fable 5.5 精准画出鹈鹕骑车套娃 SVG — bookwormengr · 2026-10-18