Meta发布实时音频感知AI模型Muse Voice Transcribe，支持20余人分轨转写

Meta推出首个实时音频感知模型Muse Voice Transcribe，开发者可通过Meta Model API调用，定价为每1,000分钟音频3美元（约合每小时0.18美元）。该模型在同一流程中整合流式自动语音识别、说话人分离与端点检测，用户说话时可同步输出文字，无需等待完整录音结束后再处理。模型支持70余种语言（25种已验证）、超1小时音频及多语言切换，可在包含20余名说话者的录音中分离不同发言者。Meta引入自适应延迟机制，对易识别语音快速输出，对复杂词语调用更多上下文以兼顾速度与准确度。(IT之家援引9to5Mac)