Muse Voice Transcribe: نموذج Meta لتحويل الكلام إلى نص بالتدفق، مشروحًا

Muse Voice Transcribe هو نموذج Meta للتحويل من الكلام إلى نص بالبث. يعمل على Meta Model API مقابل 0.18 دولار لكل ساعة صوت، تحت معرّف النموذج muse-voice-transcribe-1.0، والسعر نفسه سواء بثثت صوتًا مباشرًا أو سلّمت تسجيلًا جاهزًا. وما يجعله يستحق صفحة مرجعية بدلًا من مجرد التحقق من السعر بسطر واحد هو مكان حدوث العمل: إسناد المتحدثين لأكثر من عشرين صوتًا وكشف نهاية الكلام يجريان داخل نموذج التعرف، وليس في تمريرة دفعية تُضاف في نهاية البث. إنه تحويل من الكلام إلى نص فقط — وثائق Meta للمطورين تقول ذلك بالحرف: لا يركّب الكلام ولا يوفر واجهة برمجية للمحادثة من كلام إلى كلام.

هذه هي الصفحة التي يصل إليها القارئ بعد البحث عن اسم النموذج نفسه، لذا بُنيت لتكون الإجابة المستقرة عن سؤالين — ما هذا النموذج، وكم تكلفة ساعة من الصوت — بدلًا من أن تكون إعلانًا. هناك تاريخ واحد يجب تسجيله قبل أي شيء آخر، لأنه حقيقة عن النموذج وليس سبب وجود الصفحة: أطلقت Meta Superintelligence Labs Muse Voice Transcribe في 2026-09-01، في منشور الإعلان المؤرخ تقديم Muse Voice Transcribe — المنشور الذي لا يزال القارئ قادرًا على الوصول إليه عبر فهرس مدونة Meta، وإن كان لم يعد يستجيب على عنوان URL الخاص به. كل ما ورد أدناه قُرئ على صفحات Meta نفسها في 2026-09-29، وبشكل رئيسي صفحة النموذج ووثائق تحويل الكلام إلى نص والنظرة العامة الخاصة بواجهة API. وحيث لا تنشر Meta أي رقم، تقول هذه الصفحة ذلك بدلًا من اللجوء إلى بديل تقديري.

ما هو، بمصطلحات ميتا

تستهلّ وثائق Meta توثيقها بوصف صريح: "Muse Voice Transcribe هو نموذج تحويل الكلام إلى نص من Meta على Meta Model API. فرّغ الصوت المباشر أو تسجيلاً موجوداً، مع كشف أدوار الكلام، وتسميات المتحدثين، وترجيح المفردات." وتلخّص صفحة النظرة العامة الأمر نفسه في جملة واحدة — فصل المتحدثين أثناء التدفق، وتحديد نقاط النهاية الأصلي وكشف النشاط الصوتي، والترجيح السياقي وبالكلمات المفتاحية، و25 لغة مُقيَّمة مع التبديل بين اللغات. إذن فالمخرجات هي تدفق نصي واحد يحمل ثلاث تسميات في آنٍ واحد: الكلمات، ومن يتحدث، وما إذا كانت المداخلة قد انتهت. وهذا هو المزيج الذي تجمعه معظم حزم الإنتاج حالياً من أداة تعرّف واحدة، بالإضافة إلى كاشف نشاط صوتي منفصل، بالإضافة إلى نموذج فصل متحدثين منفصل، ولكل منها ميزانية زمن استجابة خاصة به.

تصوغ صفحة نموذج Meta ذلك بأنه "زمن استجابة تنافسي ودقة نسخ متدفق مع إسناد مباشر لأكثر من 20 متحدثًا"، وتصف وثائق المطورين حقل الإخراج بأنه "نص التفريغ مع توقيت على مستوى المداخلات وتسميات اختيارية للمتحدثين". يترتب على ذلك أمران، وكلاهما أهم من طريقة الطرح:

• إنه نموذج مُدخلُه صوت ومُخرجُه نص. ليس مُدخلُه نصًا ولا مُخرجُه نصًا، وتؤكد Meta صراحةً أنه ليس مولِّدًا للكلام.

• إنه نموذج بث في المقام الأول. المسار الزمني الحقيقي ليس غلافًا حول مسار الملف؛ بل هو جلسة WebSocket ذات أحداث وأنماط وحدود خاصة بها، موصوفة أدناه.

كم تكلفة ساعة من الصوت

تذكر صفحة نموذج Meta الخاصة بـ Muse Voice Transcribe السعر على النحو التالي: "أنشئ بنموذج واحد مقابل $0.18/ساعة"، ويسرد جدول مواصفاتها muse-voice-transcribe-1.0 بسعر $0.18 في الساعة من الصوت و$3.00 لكل 1,000 دقيقة. هاتان صيغتان لوحدتين لسعر واحد، وكلاهما مطبوع على صفحة Meta نفسها كما قُرئت في 2026-09-29. وتذكر وثائق المطوّر السعر نفسه بطريقة ثالثة: "التسعير هو $0.18 في الساعة من الصوت المعالَج." لا يوجد رقم في هذه الصفحة منقول من صفحة تسعير Meta، لأنه لا توجد صفحة تسعير Meta قابلة للقراءة يمكن قراءتها: تُحيل الوثائق السعر إلى صفحة "التسعير وحدود المعدل" التي تُجيب بـ هذه الصفحة غير متاحة كما قُرئت في 2026-09-29، لذا فإن صفحة النموذج هي المصدر المرجعي للسعر، وهي الوحيدة المستخدمة هنا.

تفصيل الفوترة موجود في وثائق المطوّرين ويستحق المعرفة قبل تحديد حجم عبء العمل:

• البث المتدفق وغير المتدفق تكلفتهما واحدة. لا توجد تكلفة إضافية لنقطة النهاية في الوقت الفعلي.

• تتم تسعير المعالجة ذات الاحتفاظ الصفري بالبيانات بأسعار مكافئة للفئة القياسية، وفقًا للوثائق — وليست بندًا من الرسوم الإضافية.

• تُقرَّب الفوترة للأسفل إلى ثوانٍ كاملة، لذا تُحتسب الدورة التي تستغرق ثانيتين على أنها ثانيتان لا ثلاث.

• لا تُحتسب حالات الفشل التي تحدث قبل إنتاج النص المفرّغ، ولا كذلك 429 استجابات تحديد المعدل.

• الأرصدة المجانية موجودة على مستوى المنصة، لا على مستوى النموذج. ينتهي توثيق Meta للتحويل من الكلام إلى نص فقرته المتعلقة بالتسعير بالجملة «تُطبَّق أرصدة الطبقة المجانية على مستوى المنصة». هذه هي الصياغة الوحيدة التي تتضمن أي شيء مجاني في صفحات هذا النموذج، وهي غير محددة عن قصد: فهي تشير إلى نظام أرصدة على مستوى المنصة بدلًا من أن تعد بحصة مجانية للنسخ، ولا يُذكر لها أي رقم أو مدة أو قاعدة أهلية. اقرأها كرصيد قد يخفض الفاتورة، لا كطبقة مجانية للنموذج. إن بيان Meta الموجّه إلى المستهلكين بأن وكيلها الشخصي «مجاني لمعظم ما يحتاجه الناس» جملة منفصلة عن تطبيق Muse ولا تمتد إلى Model API.

مثال عملي، لأن التسعير بالساعة يصعب استيعابه: مقابلة مسجلة مدتها ساعتان تكلفة نسخها النصي 0.36 دولار. ألف ساعة من صوت المكالمات — أي ما يعادل تقريبًا الحجم الشهري لمركز اتصال متوسط الحجم — تساوي 180 دولارًا. عند هذا النطاق يصبح السعر هو الحجة كلها، والسعر أيضًا هو الشيء الوحيد الذي يمكن أن يتحرك من تحتك: صفحة Meta هي المرجع فيه، وإذا تغيّر الرقم هناك، يتغيّر هنا.

واجهة البث، نقطة نهاية تلو الأخرى

This is the part a reference page owes a reader that a launch write-up cannot carry, so here it is in the order you meet it. Base URL for Model API is https://api.meta.ai/v1 with a Bearer token, and Muse Voice Transcribe adds two endpoints on top of it.

• صوت مباشر — wss://api.meta.ai/v1/asr/realtime. النقل هو WebSocket، وتفصيل المصادقة هو فخ: تتم المصادقة في إطار المصافحة، ويتم تجاهل الترويسة Authorization. يجب أن تكون المصافحة أول إطار نصي JSON وأن تصل خلال 10 ثوانٍ. تستمر الجلسة حتى 60 دقيقة، وينشئ WebSocket جديد جلسة جديدة، ولا يوجد رمز استئناف.

• التسجيلات — POST https://api.meta.ai/v1/asr/transcribe. رفع متعدد الأجزاء، وهذا يقوم بالفعل بالمصادقة باستخدام ترويسة Authorization. المدخلات محدودة: ملف WAV PCM أحادي القناة 16 بت بمعدل 16 أو 24 kHz فقط. الحدود القصوى هي 32 ميغابايت لكل جسم و10 دقائق من الصوت لكل طلب.

داخل جلسة الوقت الفعلي، تغيّر ثلاثة أوضاع ما يتم تسليمه لك. PUSH_TO_TALK هو الوضع الافتراضي ويقوم بنسخ دور واحد. ENDPOINTING يعطي حدود الأدوار التي يكتشفها النموذج، دور واحد لكل مقطع كلام مكتشف، ويصدر speechStart، مع تكرار transcript، speechEnd و speechComplete أحداث — مع التحذير من أن speechEnd ليس النص المنسوخ. DIARIZATION يضيف الكشف التلقائي عن المتحدث وإسناد الكلام، ويصدر speaker أحداث بعلامات مثل A و B. تأتي النصوص الجزئية إما تراكمية، حيث يستبدل كل نص جزئي سابقه، أو كفروقات.

هناك تفصيلان تشغيليان في الوثائق نفسها يسهل تفويتهما ويكلف اكتشافهما في بيئة الإنتاج:

• يشير تحديد المتحدثين إلى متحدث جديد محتمل بدلًا من نقطة نهاية كلام نظيفة، وتذكر Meta أنها غير مضبوطة للاستخدام منخفض الكمون في أوامر الصوت. تعامل مع التسميات كمعرّفات مرتبطة بالجلسة — A في جلسة واحدة ليس هو الشخص نفسه الذي يظهر باسم A في الجلسة التالية.

• قد تتداخل الأدوار، لذا ينبغي ربط حالة كل دور بمعرّف الدور بدلًا من ترتيب الوصول.

• الحدود القصوى المنشورة لكل مستأجر هي 128 بثًا متزامنًا و16,000 بث في الساعة.

ما الذي يعمل داخل النموذج، وما الذي يحلّ محلّه

تقدم صفحة نموذج Meta ادعاءً محددًا حول البنية لا حول الدرجات: "يحدث إسناد المتحدثين لأكثر من 20 متحدثًا واكتشاف نهاية الكلام داخل نموذج التعرف" — وتقابل ذلك صراحةً بتمريرة دفعية عند نهاية تدفق الصوت. الفرق العملي هو أنه لا توجد مرحلة ثانية يلزم انتظارها. تصل تسميات المتحدثين وحدود الأدوار في التدفق نفسه الذي تصل فيه الكلمات، لذا يحصل وكيل صوتي لاحق أو واجهة تسميات توضيحية مباشرة على دور مكتمل وهوية دون قفزة معالجة لاحقة.

القدرات الأخرى التي توثّق Meta أنها كامنة في النموذج:

• تحديد نقاط النهاية وكشف النشاط الصوتي أصلياً، بحيث لا تشغّل VAD الخاص بك أمام API. وبحسب صياغة الوثائق، تحصل على نصّ مكتمل واحد لكل مقطع كلامي دون تشغيل كشف النشاط الصوتي الخاص بك، كما أن اكتشاف نهاية الكلام لا ينهي الجلسة.

• التحييز السياقي والتحييز بالكلمات المفتاحية، بدون ضبط دقيق. تصف صفحة نموذج Meta الدقة التي تم الحفاظ عليها "من خلال التحييز السياقي والتحييز بالكلمات المفتاحية، بدون ضبط دقيق"، وهي الميزة التي تجعل التعرف الآلي على الكلام المتدفق قابلاً للاستخدام على مفردات المجال — أسماء الأدوية، رموز الأسهم، وحدات تخزين المنتجات (SKUs) — بدلاً من الاعتماد على متوسط اللغة العامة. توضح الوثائق بدقة الحدود: الكلمات المفتاحية تُحيّز التعرف ولكنها لا تضمن تهجئة دقيقة، ويتم تثبيت كل من الكلمات المفتاحية والتحييز اللغوي عند بدء الجلسة.

• 25 لغة مُقيَّمة مع التبديل اللغوي. تسردها الوثائق: العربية، البنغالية، الهولندية، الإنجليزية، الفرنسية، الألمانية، العبرية، الهندية، الإندونيسية، الإيطالية، اليابانية، الكانادية، الكورية، الماليزية، الصينية الماندرين، الماراثية، البولندية، البرتغالية، الإسبانية، التاغالوغية، التاميلية، التيلوغوية، التايلاندية، التركية والفيتنامية. التبديل اللغوي — في منتصف الجملة ومنتصف الكلام دون إخبارك باللغة القادمة — هو القدرة التي لا يمكن لبرامج التعرف أحادية اللغة أن تقدمها بنيويًا. هناك تحذير يستحق الذكر: التحيز اللغوي هو قائمة لغات، وليس سياقًا حرًا، وهو لا يُجبر النموذج على استخدامها.

يذهب منشور الإعلان المؤرخ إلى أبعد من ذلك: إذ يقول إن النموذج دُرِّب على أكثر من 70 لغة، مع 25 لغة «تم التحقق منها على نطاق واسع» — بحسب إفادة المورّد، وقائمة الـ25 الموثّقة هي المجموعة الفرعية التي تقف خلفها Meta. هذه هي التغطية التي ينبغي التخطيط بناءً عليها، لا الـ70.

الحدود الموثقة

لا تكون صفحة مرجعية جيدة إلا بقدر القيود التي تطبعها، وMeta تطبع عدة قيود.

• طوابع زمنية على مستوى الدور، وليس على مستوى الكلمة.كل من صفحة النموذج والوثائق تذكر ذلك بوضوح: "إنه يُرجع طوابع زمنية على مستوى الدور، ولكن ليس على مستوى الكلمة." تحمل الأدوار أوقات بداية ونهاية بالمللي ثانية. إذا كان منتجك يحتاج إلى النقر للانتقال لكل كلمة — تمييز الكاريوكي، وتوجيه الثقة لكل كلمة، والمحاذاة القسرية — فهذا هو النموذج الخطأ، ولا يمكن لأي قدر من هندسة الأوامر تغيير ذلك.

• لا درجات ثقة، ولا كشف للأحداث الصوتية، ولا كشف للمشاعر، ولا إعادة تنسيق للنص المكتوب. تُدرج Meta هذه الأربعة جميعًا كغير متاحة. تحصل على الكلمات والأدوار والتوقيتات وتسميات المتحدثين، ولا شيء عن مدى ثقة النموذج.

• لا يوجد توليف للكلام ولا واجهة برمجة تطبيقات للمحادثة من صوت إلى صوت. إنه اتجاه واحد فقط.

• صيغ الصوت محدودة في مسار الملف. أحادي 16-بت PCM WAV، 16 أو 24 kHz. يجب تحويل أي شيء آخر قبل رفعه.

الأوزان المفتوحة، والالتباس بشأن Muse Glimmer

إن Muse Voice Transcribe مملوك خاص ويُقدَّم عبر واجهة API — فهو ليس إصدارًا مفتوح الأوزان، ولم تدّعِ وثائق Meta غير ذلك قط. هذا مهم لأن القراء ينسبون مسار الأوزان المفتوحة لعائلة Muse إلى الاسم الخطأ. Muse Glimmer هو ذلك المسار: تصفه وثائق Meta بأنه نموذج متعدد الوسائط مفتوح الأوزان مقطَّر من Muse Spark، ويُوزَّع بموجب رخصة Apache 2.0 المتساهلة، ويمكنك تنزيله وتشغيله على عتادك الخاص عبر بيئة تشغيل مثل vLLM أو SGLang أو llama.cpp أو ExecuTorch. ويُجمَّع Muse Voice Transcribe في الصفحة نفسها مع Muse Spark وMuse Image وSAM كنماذج تستدعيها بدلًا من أن تنزّلها.

إذن: لا أوزان لـ Muse Voice Transcribe، ولا خيار استضافة ذاتية، ولا سبيل لتدقيقه أو ضبطه الدقيق. إذا أخبرتك صفحة بغير ذلك، فقد خلطته مع Muse Glimmer. وحيث لا تُنشر أوزان النموذج، تكون منصة الخدمة هي القصة كاملة — وهذا ما يتناوله القسم التالي.

كيف يصل العميل إليه

تم بناء Model API من Meta ليُدرَج مباشرةً في العملاء الذين تملكهم بالفعل. وادّعاء المورّد، المطبوع على صفحة النظرة العامة على API، هو أن Model API «متوافق للإدراج المباشر مع مكتبات العملاء المتوافقة مع OpenAI والمتوافقة مع Anthropic، ومع واجهات سطر الأوامر للوكلاء المتوافقة مع OpenAI. عيّن عنوان URL الأساسي لعميلك، وأضف مفتاحك، وأبقِ بقية شفرتك كما هي». وبشكل عام في Model API، تُقدَّم ثلاثة أشكال للطلبات — Responses API وChat Completions API وMessages API — لذا عادةً ما يجد التكامل الموجود سطحًا مطابقًا دون إعادة كتابة. وهناك تحذير واحد بخصوص النطاق: جملة التوافق تلك وهذه الأشكال الثلاثة هي قدرات Model API ككل، وليست أسطرًا مطبوعة في صفحة النموذج الخاصة بـ Muse Voice Transcribe نفسها. أما الدليل السريع الخاص بصفحة النموذج نفسه فأضيق نطاقًا — إذ يقول فقط إنك «توجّه عميلك الحالي المتوافق مع OpenAI نحو Meta Model API»، وإنك ستحصل على أول طلب يعمل خلال أقل من خمس دقائق.

ثمة فجوة صادقة واحدة يجدر الإشارة إليها في صفحة مرجعية: لا يذكر توثيق Meta لهذا النموذج أي مكتبة عميل رسمية لـ Muse Voice Transcribe، كما أن صفحة "مكتبات العميل" الخاصة به تقع ضمن قسم SAM لا قسم Voice. وما يمنحك إياه دليل تحويل الكلام إلى نص بدلًا من ذلك هو قائمة تبعيات ملموسة — Python 3.9 أو أحدث مع websockets و sounddevice كحزمتين — إضافة إلى دليل عملي لأساسيات Voice API. لذا فإن ادعاء الجاهزية للاستخدام المباشر يصف واجهة طلبات Model API عمومًا؛ أما نقطة نهاية ASR الفورية نفسها فهي WebSocket بقواعد مصافحة خاصة بها وبلا غلاف موثّق.

ما لم تنشره Meta

غياب معيار مرجعي هو حقيقة تخص التوثيق، لذا يُذكر هنا بوصفه حقيقة. لا تضم صفحة نموذج Meta الخاصة بـ Muse Voice Transcribe أي جدول دقة مطبوع: فأدلتها على الدقة تأتي في ثلاثة أصول صورية — لوحة صدارة لمعدل خطأ الكلمات في البث، ومقارنة لمعدل خطأ الفصل بين المتحدثين، ومؤشر دقة للبث — دون أي أرقام في النص القابل للاستخراج. ولا تقدم صفحة النموذج نفسها أي معدل لخطأ الكلمات، ولا أي معدل لخطأ الفصل بين المتحدثين، ولا أي تفصيل حسب كل لغة.

يتضمن منشور الإعلان بالفعل أرقامًا مبلَّغًا بها من المورّد، بما في ذلك معدل خطأ الكلمات في البث ومتوسط معدل خطأ تحديد المتحدثين، وهذه هي الأرقام التي كتبناها عند إطلاق النموذج؛ فهي قياسات ميتا الخاصة ولم يعِد طرف ثالث إنتاجها. لا تعيد هذه الصفحة إجراء تلك المقارنة، لأن إعادة إجراء اختبار مرجعي من المورّد صدر يوم الإطلاق على صفحة مرجعية ستُجمّل رقمًا غير مُعاد إنتاجه ليبدو رقمًا محسومًا. وما يمكن قوله بصراحة أضيق من ذلك: ميتا لا تنشر أي تقييم مباشر ضد منافس مسمّى بجهد متطابق وبيئة اختبار متطابقة لهذا النموذج، لذا فأي مقارنة تقرأها في أي مكان هي مقارنة لأرقام مورّد جُمعت في ظروف مختلفة.

ويبقى أحد التواريخ أيضًا غير محدد عن قصد. لا تحمل صفحة الطراز أي تاريخ إصدار على الإطلاق — علامته الوحيدة للإصدار هي -1.0 في معرّف الطراز. تاريخ 2026-09-01 في هذا المقال يأتي من منشور الإعلان المؤرخ ذاك، ويُستخدم هنا لتأريخ الطراز لا للإبلاغ عن حدث.

من ينبغي أن يلجأ إليه، ومن لا ينبغي له ذلك

حجة Muse Voice Transcribe محدودة النطاق وقوية: صوت حي تحتاج فيه إلى الكلمات، وهوية المتحدث، ونهايات الأدوار على التدفق نفسه، بسعر منخفض بما يكفي لتشغيله باستمرار بدلاً من عند الطلب. وكلاء الصوت، والتسميات التوضيحية المباشرة، وذكاء الاجتماعات والمكالمات، والإملاء، والنسخ عالي الحجم هي أعباء العمل التي تذكرها Meta، وهي أعباء العمل التي صُممت الواجهة من أجلها فعلاً — اتصال WebSocket لمدة 60 دقيقة مع أوضاع كشف نهاية الكلام وتسميات للمتحدثين مرتبطة بالجلسة.

الحجة ضدّه محددة بالقدر نفسه. إذا كنت تحتاج إلى طوابع زمنية على مستوى الكلمة، أو درجة ثقة لكل كلمة، أو كشف الأحداث الصوتية أو المشاعر، أو إعادة تنسيق النص المكتوب، فإن هذا النموذج لا يوفّرها، وهذا غياب موثّق وليس خللاً. وإذا وصل صوتك بتنسيقات غير WAV أحادي القناة 16-بت بمعدل 16 أو 24 كيلوهرتز وكنت تستخدم نقطة النهاية الخاصة بالملفات، فأنت تدفع كلفة خطوة تحويل لن تدفعها في مكان آخر. وإذا كان مطلبك هو النسخ الدفعي للتسجيلات المؤرشفة حيث تكون الدقة هي المحور الوحيد، فإن عرض البث لا يشتري لك شيئًا — فالسعر نفسه على كلا المسارين، لذا فأنت تدفع مقابل قدرة في الوقت الفعلي لن تستخدمها.

الشيء الوحيد الذي يجب التحقق منه قبل أن تعتمد مسارًا إنتاجيًا هو الرقم الذي وُجدت هذه الصفحة للإجابة عنه، وهو الرقم الوحيد الذي يمكن أن يتغيّر دون أن يتغيّر النموذج إطلاقًا: $0.18 لكل ساعة من الصوت، كما هو مطبوع على صفحة نموذج Meta نفسها اليوم. صفحة Meta هي المرجع فيه. وعندما يتغيّر، يتغيّر معه كل ما قُدِّر على أساسه — الشهر ذو الألف ساعة، والتكلفة لكل مقابلة، وحساب البناء مقابل الشراء —.