Meta 新款 AI 转录模型可实时区分多名说话者及不同语言

事件核心：发生了什么

9 月 1 日，Meta 正式推出由 Meta Superintelligence Lab（MSI）研发的实时音频模型 Muse Voice Transcribe。该模型主打流式语音转写，在一个模型中原生集成了说话人分离（speaker diarization）和端点检测（endpointing），据称可支持 20 位以上说话者的会议或对话场景，并能在同一句话内处理多语言混用（即 code-switching）。

Meta CEO 马克·扎克伯格在 X 平台发布了演示视频，展示模型在多说话人环境中自动区分音色、并根据内容切换语言的能力。Meta 方面称，该模型采用自适应延迟策略——遇到难词时会多等待一段时间，确认简单词汇时则加快提交速度，以提升整体转写准确率。模型训练数据覆盖 70 多种语言，上线时已验证其中 25 种。

目前 Muse Voice Transcribe 已集成到 Meta AI 的 Mac 桌面应用中，用于驱动语音听写功能，同时通过 Muse Code 和 Meta Model API 向开发者开放，定价为每 1,000 分钟音频 3 美元。Meta 也发布了研究博客和演示页面供用户体验。

为什么重要

这是 Meta 在语音 AI 领域一次关键的产品化落子。就在不到一周前，Google 刚刚发布 Gemini 3.5 Transcribe，同样主打多说话人识别与多语言实时转写，且已计划将模型集成到 Android 和 Chrome 生态中。Meta 此次快速跟进，表明两家巨头在语音交互这一入口级场景上的竞争已经从模型能力展示进入商用部署阶段。

Muse Voice Transcribe 的价值在于把说话人分离、语言切换和端点检测整合进单一模型，而非像传统方案那样由多个系统级联完成。这种架构上的简化对降低实时转写的延迟和推理成本有直接帮助。

目前公开信息显示，Meta 尚未披露是否会将该模型整合进 WhatsApp、Instagram 或 Facebook 等旗舰应用中。与 Google 将 Gemini 转写模型直接嵌入 Android 系统的策略相比，Meta 在产品分发路径上还没有给出清晰答案。

对用户/开发者/创作者的影响

对普通用户来说，最直接的体验入口是 Meta AI Mac 应用——该应用能够把语音功能扩展到其他 macOS 应用，意味着用户可以在更多第三方软件中使用 Muse Voice Transcribe 驱动的听写服务，而无需单独安装工具。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对开发者和企业用户而言，该模型通过 Meta Model API 开放调用，按音频时长计费。每 1,000 分钟 3 美元的价格定位在同类实时转写 API 中处于中等偏低区间，适合需要长音频、多人会议转写的团队做集成测试。

对视频创作者和播客制作者这类高频转写需求的群体来说，模型对中英文混说、方言切换和多说话人场景的支持有实际价值，尤其是 code-switching 处理能力在采访剪辑、双语内容字幕生成等多个环节能减少人工校对量。

值得关注的后续

第一，Meta 是否会将该模型落地到自家社交应用矩阵中。其庞大的用户基数决定了，一旦 WhatsApp 或 Messenger 接入 Muse Voice Transcribe，语音转写功能将直接触达数十亿用户，对 Google 的 Android 生态布局形成对冲。

第二，模型上线时仅验证了 25 种语言的正式支持，远低于训练覆盖的 70 余种语言。后续哪些语言会被优先补齐、中文场景下的转写准确率如何，值得实测观察。

第三，API 的开发者采用情况。3 美元/千分钟的价格是否具有持续竞争力，取决于 Muse Voice Transcribe 在嘈杂真实音频中的实际表现与传统级联方案和 Google 竞品的差距。考虑到 MSI 实验室在近几周内连续推出了代码智能体、开源权重模型和 Mac 应用，Meta 在 AI 基础设施层面的产品节奏正在明显加快，这或许是后续更值得跟踪的方向。

来源：Engadget