实时语音转文字赛道，今天迎来了一位重磅玩家。Meta正式发布Muse Voice Transcribe，这是其首款支持实时流式处理的音频感知模型。开发者可通过Meta Model API调用该能力，定价为每1000分钟音频3美元（约合20.2元人民币），折合每小时仅0.18美元。这个价格直接杀入目前Whisper、Deepgram等竞品的地盘，但Meta显然不止想靠低价取胜——它在技术层面做了几个关键差异点。
边说边转，自动区分20+说话人
这款模型最大的亮点，是把流式自动语音识别、说话人分离和端点检测整合在同一个流程中完成。所谓“流式”，就是人们说话的同时进行转录，无需等待整段音频结束再输出结果，而是持续以小片段形式输出文本，大幅降低延迟。这对实时会议记录、通话字幕、直播辅助等场景非常关键——用户开口，系统就能实时吐出文字，不用等录音结束再单独处理。
Muse Voice Transcribe能区分超过20个不同说话人的录音，同时还能识别说话人何时停止说话，从而自动判定输入边界。语言支持方面，模型覆盖70多种语言，首发已验证25种语言；支持超过一小时的音频输入，并且可以在句子内或句子间进行自然语言切换。开发者还可以通过语言、关键词和上下文偏置，针对特定语言、术语或场景提升识别准确率。
自适应延迟机制：速度与精度的平衡术
为了平衡实时响应和识别准确率这对天然矛盾，Meta引入了一个名为“自适应延迟”的动态决策机制。系统不会对所有单词做固定的速度-精度权衡，而是针对每个词判断需要多少额外音频再输出识别结果：对于容易识别的语音，系统会更快提交转录结果；而对于模糊不清、包含大量专业术语或处于复杂语境中的词，则利用更多上下文音频信息来提升准确率。
据Meta官方消息，截至2026年9月1日，Muse Voice Transcribe在Artificial Analysis流式语音转文本排行榜上排名第一。但客观来看，这个榜单的衡量标准更偏向学术基准，实际落地效果还需要看多语言、嘈杂环境等真实场景表现。Meta这次选择先开放API而非直接集成到自家产品中，也说明它希望先通过开发者生态来打磨模型——毕竟，在实时语音领域，微软Azure Speech和Google Cloud Speech-to-Text已经深耕多年，Muse想要真正突围，除了技术指标，还得看生态整合的深度。
