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1000分钟音频3美元。该模型整合流式语音识别、说话人分离与端点检测，支持实时输出文字，适用于听写、会议记录和通话字幕等场景。
模型可在20余名说话者中准确分离发言者，训练覆盖70余种语言，其中25种已验证，支持超1小时音频及句内语言切换，并可通过语言、关键词和上下文偏置优化识别效果。
技术上，Meta引入自适应延迟机制，动态调整音频长度以平衡实时性与准确性。截至2026年9月1日，该模型在Artificial Analysis流式语音转文本排行榜中位列第一。