Meta представи Muse Voice Transcribe за транскрипция в реално време
Meta представи Muse Voice Transcribe — аудио модел в реално време, разработен от нейното подразделение Superintelligence Labs. Той транскрибира реч, разпознава до 20 говорещи и отбелязва границите на изреченията в една система. Постъпващият звук се обработва на сегменти от 80 милисекунди, а моделът преценява колко дълго да слуша, преди да изведе всяка дума. Според Meta обучението с подсилване му позволява да забавя по-трудните думи и да изписва по-лесните по-бързо.
Моделът поддържа над 70 езика, включително разговори, при които говорещите преминават от един език на друг в рамките на изречението. Езикови подсказки, ключови думи и контекст могат да подобрят разпознаването на собствени имена. Meta заявява, че разделянето на говорещите и откриването на изречения работят и при записи с продължителност над час, без последваща обработка.
При тестове на Artificial Analysis от 1 септември 2026 г. Muse Voice Transcribe е постигнал 3,1% грешки на думите в английския и е генерирал окончателния текст 0,16 секунди след края на речта. Услугата е налична в Meta AI и Muse Code, както и чрез Meta Model API. Цената е $0,18 на час, или $3 за 1000 аудиоминути. Meta не е публикувала броя параметри, обема на данните за обучение или аудиоизточниците и няма да предостави теглата на модела.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.