Meta新型实时音频模型，奠定AI助手持续聆听基础

Meta的Superintelligence Labs发布了实时音频转录模型Muse Voice Transcribe。该模型以80毫秒的语音块处理实时语音，能区分不同说话者并检测句子边界。据Artificial Analysis评测，它提供了市场上最准确的流式转录，且价格最低。Meta视其为个人AI助手的基础组件，未来可用于如摄像头眼镜等设备，实现持续聆听真实对话。

实时语音转录通常存在延迟与成本权衡，而Muse Voice Transcribe以极低价格提供高准确率的流式转录，且能区分说话者。这为AI助手实时参与多人对话场景提供了技术可能，相比现有方案在成本与性能上可能实现突破。

该模型采用80毫秒的语音块流式处理，实现低延迟转录，并通过识别说话者与句子边界提升对话理解能力。据Artificial Analysis测评，其单位成本下准确率最高，表明在模型架构或训练数据上有优化，但具体机制未公开，可能涉及高效的端到端或流式声学模型。

对依赖实时语音转写的产品（如会议记录工具）而言，可能降低服务成本并提升转录准确性。同时，支持说话者区分与句子边界检测，为多人对话场景提供更精准的转写基础，推动AI助手在真实对话中的实时介入。对Meta来说，该模型为其眼镜等硬件设备的AI交互能力提供了关键模块。

• 将Muse Voice Transcribe集成到线上会议或语音笔记工具中，实现低成本高精度的多人对话实时转写。
• 基于其低延迟特性，开发实时语音交互助手功能，在对话中即时提供摘要或信息检索。
• 利用说话者区分能力，为客服录音或访谈内容自动生成带标签的转写，便于后续分析。
• 在Meta的智能眼镜等硬件中，作为环境语音感知模块，支持个性化AI提醒或生活辅助功能。

• 该模型支持的音频语言范围是哪些？
• Muse Voice Transcribe是开源还是闭源，提供哪些调用方式？
• 模型在嘈杂环境或多人嘈杂场景中的实际准确率如何？
• 该模型与Meta现有音频模型（如SeamlessM4T）的关系是什么？