Meta 发布 Muse Voice Transcribe：首个整合流式 ASR、说话人分离与端点检测的实时语音感知模型

Meta Superintelligence Labs 发布 Muse Voice Transcribe，将流式语音识别、说话人分离和端点检测整合进一个实时音频感知模型，关注价值在于它把传统语音系统中的多个处理环节合并到同一解码流程。

• Meta AI Research《Introducing Muse Voice Transcribe》（2026-09-01）称模型支持实时流式 ASR、20 多名说话人分离和端点检测。
• 官方介绍称模型支持 25 种以上经过验证的语言，并支持句内或句间的语言切换。
• 模型以 80 毫秒音频块处理输入，并通过特殊 token 控制继续聆听、说话人切换和语音结束。
• 官方页面还称其支持超过一小时的长音频输入，并可处理 20 多名说话人。
• 目前可核实的材料显示，Meta 将其定位为实时音频模型；关于服务价格和权重开放情况，本文不作延伸判断。
• 影响/看点：统一解码可能减少模块间对齐和延迟问题，适合会议记录与实时助手；实际优势仍取决于重叠语音、噪声、跨语言场景和端到端延迟表现。
• 资料依据:
• Meta AI Research《Introducing Muse Voice Transcribe》（2026-09-01）：https://research.meta.ai/blog/introducing-muse-voice-transcribe
• MarkTechPost《Meta Superintelligence Labs Releases Muse Voice Transcribe: One Real-Time Model for Streaming ASR, Diarization, and Endpointing》（2026-09-01）：https://www.marktechpost.com/2026/09/01/meta-superintelligence-labs-releases-muse-voice-transcribe-one-real-time-model-for-streaming-asr-diarization-and-endpointing/

本内容由 AI 生成，仅供参考，请注意甄别