先了解这件事
2026年9月2日,Meta Superintelligence Labs 推出其首个实时音频感知模型 Muse Voice Transcribe。据官方发布信息,该模型支持实时流式 ASR、20 人以上说话人分离和端点检测,具备多语言与无缝语码切换能力,并可通过语言、关键词和上下文偏置提升准确率。它属于 Muse Spark 系列的自回归多模态 LLM,音频按 80ms 分块(12.5 Hz)逐 token 处理,结合词错误率和延迟奖励的强化学习实现自适应延迟。该模型在 ArtificialAnlys 流式语音转文字和公开说话人分离基准上排名第一,并已在 Meta Model API、Meta AI for Mac 和 Muse Code 上线。目前尚无后续独立发展事实。
AI 根据公开报道生成
最新进展 · 正式报道
Meta 发布 Muse Voice Transcribe 实时语音转写模型事件进展
1 个已确认进展
- 来源：AI at Meta
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
9月2日
AI at Meta一手
Meta 发布 Muse Voice Transcribe 实时语音转写模型
Meta 发布 Muse Voice Transcribe，这是 Meta Superintelligence Labs 的首个实时音频感知模型，今日起通过 Meta Model API、Meta AI for Mac 和 Muse Code 提供。该模型支持实时流式 ASR、20 人以上说话人分离和端点检测，多语言并支持无缝语码切换，可通过语言、关键词和上下文偏置提升准确率。它属于 Muse Spark 家族的自回归多模态 LLM，音频按 80ms 分块（12.5 Hz）处理，每块一个 token，并用词错误率与延迟奖励的 RL 实现自适应延迟。
AI at Meta一手
Meta 发布 Muse Voice Transcribe 实时语音模型
Muse Voice Transcribe 是 Muse Spark 系列的自回归多模态 LLM。 音频以 80ms 分块（12.5 Hz）处理，每块一个 token，模型在每个分块决定是继续听还是输出文本。 结合词错误率和延迟奖励的 RL 赋予其自适应延迟：在难词上等待更久，在易词上更早确定，逐词权衡准确率与延迟。
AI at Meta一手
Meta 推出 Muse Voice Transcribe 实时语音模型
借助自适应延迟，Muse Voice Transcribe 在以最终转写时间为衡量标准的速度-准确率权衡上达到了帕累托前沿。
AI at Meta一手精选
Meta Superintelligence Labs 发布实时音频感知模型 Muse Voice Transcribe
Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首个实时音频感知模型，支持实时流式 ASR、20 人以上说话人分离和端点检测，并具备多语言与无缝语码切换能力，可通过语言、关键词和上下文偏置提升准确率。该模型在 ArtificialAnlys 流式语音转文字和公开说话人分离基准上排名第一。它属于 Muse Spark 系列的自回归多模态 LLM，音频按 80ms 分块（12.5 Hz）逐 token 处理，结合词错误率和延迟奖励的 RL 实现自适应延迟，已在 Meta Model API、Meta AI for Mac 和 Muse Code 上线。