Meta推出实时音频感知AI模型 支持20余人同时分轨转写

近期，Meta正式发布全新实时


音频


感知


AI


模型Muse Voice Transcribe，这是Meta旗下首款主打实时处理能力的音频转写模型，支持最多20余人同时发言的场景下自动完成说话人分离和分轨转写，相关能力已经通过Meta Model A


PI


对外开放调用，为各类实时音频处理场景提供了新的高性价比选择。

过去很多实时音频转写工具，大多是先等一段完整的语音说完，再整体转写成文字，不仅延迟偏高，遇到多人同时发言的场景时，很难准确区分不同说话人的内容，经常出现不同人的发言混在一起的情况，后续整理会议记录、通话字幕时还要花大量时间手动拆分修正。Muse Voice Transcribe这次从底层架构上做了针对性优化，把流式


语音识别


、说话人分离和端点检测三个核心功能整合到同一个处理流程里，用户一边说话，系统就能一边同步输出转写文字，完全不用等整段录音结束再做二次处理，整体延迟做到了非常低的水平。

在多人发言场景的处理能力上，这款新模型的表现有明显提升。普通的实时转写工具大多只能支持几个人的简单发言分离，一旦参会人数超过十人，就很容易出现说话人身份识别混乱的问题，而Muse Voice Transcribe可以在包含20余名说话者的复杂录音环境里，准确区分不同人的发言，自动给每一段转写内容标注对应的说话人身份，不用人工手动区分，大幅降低了多人会议记录的整理成本。同时模型自带的端点检测功能，还能自动识别说话人什么时候结束发言，精准划分每一段语音的边界，不会把不同人的发言内容错误拼接在一起。

多语言支持也是这款模型的一大亮点。模型的训练数据覆盖了70余种不同语言，其中25种语言在发布时就已经完成了完整的效果验证，哪怕是一段音频里不同人随意切换不同语言发言，模型也能自动识别切换的语言类型，准确完成跨语言的连续转写，完全不用用户提前手动切换语言设置。哪怕是时长超过1小时的长音频，模型也能全程稳定运行，不会出现中途转写中断、识别准确率大幅下降的问题。

在调用成本上，这款模型的定价也十分亲民，每1000分钟音频的转写费用仅为3美元，换算成人民币大约20.2元，平均下来每小时的使用成本不到1.2元人民币，远低于同级别实时转写服务的市场价格。目前


开发者


已经可以直接通过Meta Model API调用这项能力，快速把实时多人分轨转写功能集成到会议系统、直播字幕、通话记录等各类应用里，低成本搭建出低延迟、高准确率的实时音频转写功能。