Meta 发布 Muse 语音转录，实时低延迟能分离 20 人说话
shuchaobi · x · 2026-09-02
Meta 推出 Muse Voice Transcribe，号称首个实时音频感知模型。核心功能包括：
- 实时流式 ASR：延迟极低，说完即出文字。
- 说话人分离：支持同一场合 20+ 说话人实时区分。
- 多语言与语码转换：原生支持 25+ 语言，可无缝处理混合语言输入。
- 上下文优化：支持语言、关键词和上下文偏置以提升准确率。
Meta 声称该模型在 Artificial Analysis 的流式语音转文字和公开说话人分离基准测试中排名第一。目前已提供网页 Demo 供试用。
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