近日，Meta(META.US)旗下超级智能实验室(Superintelligence Labs)正式推出实时语音识别模型Muse Voice Transcribe。该模型在部分基准测试中超越OpenAI、谷歌(GOOGL.US)等竞争对手的同类产品，并以每小时0.18美元的API价格进入市场。不过，Meta方面确认，该模型不会开放权重。

据了解，在Artificial Analysis的AA-WER Streaming英语语音转写准确率基准上，Muse Voice Transcribe的词错率为3.1%，优于Cartesia Ink-2的3.4%、ElevenLabs Scribe v2 Real-time的3.6%、OpenAI GPT Live Transcribe的3.9%以及谷歌Gemini 3.5 Transcribe Live的4.0%。

在说话人区分能力上，各模型整体表现仍难令用户满意，但Muse Voice Transcribe在多个标准基准中的平均错误率为17.5%，同样处于领先位置。

据Meta介绍，该模型可区分超过20位说话人，并支持超过70种语言，其中25种经过“广泛验证”，还能处理多语者在对话中切换语言以及超过一小时的长时间对话。

Muse Voice Transcribe目前已通过Meta Model API、Meta AI for Mac和Muse Code提供。API定价为每1000音频分钟3美元，折合每小时0.18美元。与Meta此前Muse Glimmer系列开放权重的做法不同，Meta发言人向The New Stack确认，该模型不会公开权重。

技术层面，Muse Voice Transcribe属于Muse Spark家族的自回归多模态模型。音频以80毫秒为单位输入，每秒约12.5个块，每块被压缩为单个软token。模型在每个块上做出选择：要么输出文本token，要么输出特殊的“下一音频”占位符，等待更多音频上下文。当音频结束时，“空音频”令牌会触发模型输出剩余文本。

这种机制使模型能自行控制延迟，Meta称之为“自适应延迟”。简单词汇几乎可以即时转写，复杂词汇则获得更多音频上下文。该权衡在强化学习阶段被训练，词错率奖励与延迟奖励采用相乘而非相加的方式优化。说话人识别也使用类似机制。

今夏，实时语音转写已成为AI领域竞争最激烈的细分市场之一。近期OpenAI、谷歌、xAI、阿里巴巴(BABA.US)等公司均在数周内密集发布流式语音模型，专业厂商也已深耕多时。而Muse Voice Transcribe目前0.3个百分点的基准领先优势，在这种竞争强度下很难长期保持。

不过，对Meta而言，智能眼镜、Mac应用等核心产品都需要实时语音能力作为底层支撑。这一内生需求可能促使Meta在该赛道持续投入，而非仅追求外部API市场份额。