Meta 推出 MuseVoiceTranscribe：支持 20+ 说话人的实时语音感知
智东西 · wechat · 2026-09-02
Meta 发布了首个实时音频感知模型 MuseVoiceTranscribe，该模型旨在将语音转写升级为 AI 系统的实时感知层。主要能力与特性包括：
- 多语言与长音频：支持 70+ 种语言训练（25 种已验证），可原生处理超过 1 小时的长音频，支持无缝语码切换（如中英夹杂）。
- 多人说话人分割：原生支持超过 20 位说话人的语音分割，无需后处理，能精准识别说话人切换。
- 流式处理与自适应延迟：采用自回归多模态架构，以 80ms 为单位处理音频。通过强化学习（RL）实现“自适应延迟”，模型可根据单词难度动态决定监听时长，在速度和准确率间实现帕累托最优。
- 端点检测：引入特殊 token 标记语音开始和结束，实现精准的语音端点检测。
该模型已集成至 Meta AI、MuseCode 及 MetaModelAPI，定价约为每 1000 分钟 3 美元。
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
- Reddit 用户吐槽 Flux 3 文生图完全做不出真实人脸 — EstablishmentFun6629 · 2026-10-18
- 实测 MiniMax H3 参考生视频:3 张参考图+人声,15 秒成片 1088p — michael_goldenhour · 2026-10-18
- 开发者用 Qwen 做全本地 3D 高清纹理生成工具，拟定价 5 美元出售 — TinfoilTricorn · 2026-10-18
- 14 个 Agent 在单卡 5090 上做 AI 电影:按反馈修复剪跳与配音缺陷 — developervkmp · 2026-10-18
- 4MP 文生图横评:Qwen Image 2.1 Turbo 对决 MOSS、Krea、Flux 3 Klein — FORNAX_460 · 2026-10-18
- Higgsfield 视频模型实测被质疑：只是让模型写扩散提示词，无法反映编码能力 — teortaxesTex · 2026-10-18