Muse Voice Transcribe: Metas Streaming-Sprach-zu-Text-Modell, erklärt

Muse Voice Transcribe ist Metas Streaming-Speech-to-Text-Modell. Es läuft auf der Meta Model API zu 0,18 $ pro Stunde Audio, unter der Modell-ID mse-voice-transcribe-1, und der Preis ist derselbe, egal ob Sie Live-Audio streamen oder eine fertige Aufnahme übergeben. Was es zu einer Referenzseite statt zu einer einzeiligen Preisprüfung macht, ist, wo die Arbeit stattfindet: Sprecherzuordnung für mehr als zwanzig Stimmen und End-of-Speech-Erkennung laufen im Erkennungsmodell, nicht in einem Batch-Durchlauf, der am Ende des Streams angehängt wird. Es ist ausschließlich Speech-to-Text — Metas Entwicklerdokumentation sagt es mit genau diesen Worten: Es synthetisiert keine Sprache und bietet keine Speech-to-Speech-Konversations-API.

Dies ist die Seite, auf der ein Leser landet, nachdem er den Namen des Modells selbst gesucht hat, deshalb ist sie als stabile Antwort auf zwei Fragen angelegt — was ist dieses Modell, und was kostet eine Stunde Audio — und nicht als Ankündigung. Ein Datum muss vor allem anderen festgehalten werden, weil es eine Tatsache über das Modell ist und nicht der Grund, warum es diese Seite gibt: Meta Superintelligence Labs führte Muse Voice Transcribe am 2026-09-01 ein, im datierten Ankündigungsbeitrag Einführung von Muse Voice Transcribe — der Beitrag, den ein Leser noch über Metas Blog-Index erreichen kann, obwohl er unter seiner eigenen URL nicht mehr antwortet. Alles unten wurde am 2026-09-29 auf Metas eigenen Seiten gelesen, hauptsächlich die Modellseite und die Speech-to-Text- und Übersichtsdokumentation der API. Wenn Meta keine Zahl veröffentlicht, sagt diese Seite das, anstatt auf einen Ersatzwert zurückzugreifen.

Was es ist, in Metas Worten

Metas eigene Dokumentation eröffnet ihre Beschreibung mit klaren Worten: „Muse Voice Transcribe ist Metas Speech-to-Text-Modell auf der Meta Model API. Transkribiere Live-Audio oder eine vorhandene Aufnahme, mit Erkennung von Sprechwechseln, Sprecherbezeichnungen und Vokabular-Biasing.“ Die Übersichtsseite presst dasselbe in einen Satz: Streaming-Sprecherdiarisierung, natives Endpointing und Voice-Activity-Detection, kontextuelles und Keyword-Biasing sowie 25 evaluierte Sprachen mit Code-Switching. Die Ausgabe ist also ein einzelner Transkript-Stream, der drei Labels gleichzeitig trägt: die Wörter, wer spricht und ob die Äußerung abgeschlossen ist. Das ist die Kombination, die die meisten Produktions-Stacks derzeit aus einem Erkennungssystem plus einem separaten Voice-Activity-Detector plus einem separaten Diarisierungsmodell zusammenstellen, jeweils mit eigenem Latenzbudget.

Metas Modellseite rahmt dies als „wettbewerbsfähige Latenz und Streaming-Transkriptionsgenauigkeit mit Live-Zuordnung für über 20 Sprecher“, und die Entwicklerdokumentation beschreibt das Ausgabefeld als „Transkripttext mit zeitlicher Erfassung auf Turn-Ebene und optionalen Sprecherbezeichnungen“. Daraus folgen zwei Dinge, und beide sind wichtiger als die Rahmung:

• Es ist ein Audio-in-Text-out-Modell. Es ist weder Text-in noch Text-out, und Meta stellt ausdrücklich klar, dass es kein Sprachgenerator ist.

• Es ist in erster Linie ein Streaming-Modell. Der Echtzeit-Pfad ist kein Wrapper um den Dateipfad; er ist eine WebSocket-Sitzung mit eigenen Ereignissen, Modi und Grenzen, die unten beschrieben werden.

Was eine Stunde Audio kostet

Metas Seite für Muse Voice Transcribe gibt den Preis mit „Mit einem einzigen Modell zu $0.18/Stunde entwickeln“ an, und ihre Spezifikationstabelle führt muse-voice-transcribe-1.0 mit $0.18 pro Audio und $3 pro 1.000 Minuten Das sind zwei Darstellungen desselben Tarifs in unterschiedlichen Einheiten, und beide stehen auf Metas eigener Seite, gelesen am 2026-09-29. Die Entwicklerdokumentation gibt denselben Tarif auf eine dritte Weise an: „Die Preisgestaltung beträgt $0.18 pro Stunde für verarbeitetes Audio.“ Keine Zahl auf dieser Seite ist von einer Meta-Preisseite übernommen, denn es gibt keine lesbare Meta-Preisseite zum Nachlesen: Die Doku verweist für den Tarif auf eine Seite „Preise und Ratenlimits“, die Diese Seite ist nicht verfügbar anzeigt, gelesen am 2026-09-29, sodass die Modellseite die maßgebliche Quelle für den Tarif ist und die einzige, die hier verwendet wird.

Das Abrechnungsdetail steht in den Entwicklerdokumenten und ist wichtig zu wissen, bevor man eine Workload dimensioniert:

• Streaming und Non-Streaming kosten gleich viel. Für den Echtzeit-Endpunkt gibt es keinen Aufpreis.

• Die Verarbeitung mit Zero-Data-Retention wird laut Dokumentation zum gleichen Preis wie die Standard-Stufe angeboten – sie ist keine separate Zusatzgebühr.

• Die Abrechnung rundet auf ganze Sekunden ab, sodass ein zwei Sekunden dauernder Turn mit zwei und nicht mit drei Sekunden abgerechnet wird.

• Fehler, die auftreten, bevor ein Transkript erstellt wird, werden nicht in Rechnung gestellt, und ebenso wenig 429 Rate-Limit-Antworten.

• Kostenlose Credits gibt es auf Plattformebene, nicht auf Modellebene. Metas Speech-to-Text-Dokumentation beendet ihren Absatz zur Preisgestaltung mit dem Satz „Es gelten Plattform-Credits des Free-Tiers.“ Das ist die einzige Erwähnung von etwas Kostenlosem auf den Seiten für dieses Modell, und sie ist bewusst unspezifisch: Sie verweist auf ein Plattform-Credit-System, anstatt ein kostenloses Kontingent für die Transkription zu versprechen, und es wird keine Zahl, Dauer oder Berechtigungsregel dafür angegeben. Betrachten Sie es als ein Guthaben, das eine Rechnung reduzieren kann, nicht als Free-Tier für das Modell. Die an Verbraucher gerichtete Aussage von Meta, dass sein persönlicher Agent „für das meiste, was Menschen brauchen, kostenlos“ ist, ist ein separater Satz über die Muse-App und erstreckt sich nicht auf die Model API.

Durchgerechnetes Beispiel, weil sich ein Stundenpreis kaum greifen lässt: Ein zweistündiges aufgezeichnetes Interview kostet 0,36 $ für die Transkription. Tausend Stunden Anrufaudio – ungefähr das monatliche Volumen eines mittelgroßen Contact-Centers – kosten 180 $. In dieser Größenordnung ist der Preis das ganze Argument, und ein Preis ist außerdem das Einzige, was sich unter Ihnen bewegen kann: Metas Seite ist die maßgebliche Quelle dafür, und wenn sich die Zahl dort ändert, ändert sie sich hier.

Die Streaming-Schnittstelle, Endpunkt für Endpunkt

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.

• Live-Audio — wss://api.meta.ai/v1/asr/realtime. Der Transport erfolgt über WebSocket, und das Authentifizierungsdetail ist eine Falle: Man authentifiziert sich im Handshake-Frame, und der Authorization-Header wird ignoriert. Der Handshake muss das erste JSON-Textframe sein und muss innerhalb von 10 Sekunden eintreffen. Eine Sitzung dauert bis zu 60 Minuten, ein neuer WebSocket erstellt eine neue Sitzung, und es gibt kein Resume-Token.

• Aufnahmen — POST https://api.meta.ai/v1/asr/transcribe. Multipart-Upload, und dieser authentifiziert sich tatsächlich mit dem Authorization-Header. Die Eingabe ist eingeschränkt: nur Mono-16-Bit-PCM-WAV mit 16 oder 24 kHz. Obergrenzen sind 32 MB pro Body und 10 Minuten Audio pro Anfrage.

Innerhalb der Echtzeit-Sitzung ändern drei Modi, was Ihnen übergeben wird. PUSH_TO_TALK ist der Standard und führt eine Single-Turn-Transkription durch. ENDPOINTING liefert vom Modell erkannte Turn-Grenzen, einen Turn pro erkanntem Sprachsegment, und emittiert speechStart-, wiederholte transcript-, speechEnd- und speechComplete-Ereignisse — mit der Warnung, dass speechEnd nicht das Transkript ist. DIARIZATION fügt automatische Sprechererkennung und -zuordnung hinzu und emittiert speaker-Ereignisse mit Labels wie A und B. Teiltranskripte kommen entweder kumulativ, wobei jedes Teiltranskript das vorherige ersetzt, oder als Deltas.

Zwei operative Details aus derselben Dokumentation werden leicht übersehen – und sind im Produktivbetrieb teuer zu entdecken:

• Die Diarisierung markiert einen möglichen neuen Sprecher statt eines sauberen Sprach-Endpunkts, und Meta gibt an, dass sie nicht für den latenzarmen Einsatz mit Sprachbefehlen optimiert ist. Betrachten Sie die Labels als sitzungsgebundene Identifikatoren — A in einer Sitzung ist nicht dieselbe Person wie A in der nächsten.

• Turns können sich überlappen, daher sollte der Zustand pro Turn am Turn-Identifikator festgemacht werden statt an der Ankunftsreihenfolge.

• Die veröffentlichten Obergrenzen pro Mandant liegen bei 128 gleichzeitigen Streams und 16.000 Streams pro Stunde.

Was im Modell läuft und was es ersetzt

Metas Modellseite erhebt eine spezifische Behauptung über die Architektur statt über Scores: „Sprecherzuordnung für über 20 Sprecher und Erkennung des Sprechendenendes finden innerhalb des Erkennungsmodells statt“ – und sie grenzt das ausdrücklich von einem Batch-Durchlauf am Ende des Audiostreams ab. Der praktische Unterschied besteht darin, dass es keine zweite Stufe gibt, auf die man warten müsste. Sprecherlabels und Turn-Grenzen treffen im selben Stream wie die Wörter ein, sodass ein nachgelagerter Voice-Agent oder eine Live-Untertitelungsoberfläche einen abgeschlossenen Turn und eine Identität ohne einen Zwischenschritt der Nachverarbeitung erhält.

Die weiteren Fähigkeiten, die Meta als im Modell verankert dokumentiert:

• Natives Endpointing und Sprachaktivitätserkennung, sodass Sie nicht Ihre eigene VAD vor der API ausführen. In der Formulierung der Doku erhalten Sie ein vollständiges Transkript pro Äußerung, ohne Ihre eigene Sprachaktivitätserkennung auszuführen, und ein erkanntes Sprechende beendet die Sitzung nicht.

• Kontextuelles und Keyword-Biasing, ohne Fine-Tuning. Metas Modellseite beschreibt, dass die Genauigkeit „durch kontextuelles und Keyword-Biasing, ohne Fine-Tuning“ erhalten bleibt, was das Feature ist, das Streaming-ASR für Domänen nutzbar macht – Medikamentennamen, Ticker-Symbole, Produkt-SKUs – statt für den allgemeinsprachlichen Durchschnitt. Die Dokumentation ist präzise bezüglich der Grenzen: Keywords beeinflussen die Erkennung, garantieren aber keine exakte Schreibweise, und sowohl Keywords als auch Language Bias sind zu Sitzungsbeginn festgelegt.

• 25 evaluierte Sprachen mit Code-Switching. Die Dokumentation listet sie auf: Arabisch, Bengalisch, Niederländisch, Englisch, Französisch, Deutsch, Hebräisch, Hindi, Indonesisch, Italienisch, Japanisch, Kannada, Koreanisch, Malaiisch, Mandarin-Chinesisch, Marathi, Polnisch, Portugiesisch, Spanisch, Tagalog, Tamil, Telugu, Thailändisch, Türkisch und Vietnamesisch. Code-Switching – mitten im Satz und mitten in einer Äußerung, ohne dass einem gesagt wird, welche Sprache kommt – ist die Fähigkeit, die einsprachige Erkennungssysteme strukturell nicht bieten können. Ein Vorbehalt, den man im Hinterkopf behalten sollte: Language Bias ist eine Liste von Sprachen, kein frei formulierbarer Kontext, und zwingt das Modell nicht, sie zu verwenden.

Der datierte Ankündigungsbeitrag geht noch weiter: Darin heißt es, das Modell sei auf 70+ Sprachen trainiert worden, wovon 25 „umfassend verifiziert“ seien – vom Anbieter gemeldet –, und die Liste der 25 verifizierten Sprachen sei die Teilmenge, hinter der Meta steht. Das ist die Abdeckung, mit der man planen sollte, nicht die 70.

Die dokumentierten Limits

Eine Referenzseite ist nur so gut wie die Constraints, die sie druckt, und Meta druckt einige.

• Zeitstempel auf Turn-Ebene, nicht auf Wortebene. Sowohl die Modellseite als auch die Dokumentation sagen es unverblümt: „Es werden Zeitstempel auf Turn-Ebene zurückgegeben, aber keine Zeitstempel auf Wortebene.“ Turns enthalten Start- und Endzeiten in Millisekunden. Wenn Ihr Produkt ein Klicken-zum-Springen pro Wort benötigt – Karaoke-Hervorhebung, Routing auf Basis der Konfidenz pro Wort, erzwungene Ausrichtung –, dann ist dies das falsche Modell, und daran ändert auch noch so viel Prompt-Engineering nichts.

• Keine Konfidenzwerte, keine Erkennung von Schallereignissen, keine Emotionserkennung, keine Neuformatierung von Transkripten. Meta führt alle vier als nicht verfügbar auf. Man erhält Wörter, Redebeiträge, Zeitangaben und Sprecherbezeichnungen – und nichts darüber, wie sicher das Modell ist.

• Keine Sprachsynthese und keine API für Sprach-zu-Sprach-Konversationen. Sie ist nur unidirektional.

• Die Audioformate sind auf dem Dateipfad eingeschränkt.Mono 16-Bit-PCM-WAV, 16 oder 24 kHz. Alles andere muss vor dem Hochladen konvertiert werden.

Offene Gewichte und die Verwirrung um Muse Glimmer

Muse Voice Transcribe ist proprietär und wird über die API bereitgestellt – es ist keine Open-Weight-Veröffentlichung, und Metas Dokumentation behauptet auch nie etwas anderes. Das ist wichtig, weil Leser den Open-Weight-Pfad der Muse-Familie dem falschen Namen zuordnen. Muse Glimmer ist dieser Pfad: Metas Dokumentation beschreibt es als ein multimodales Open-Weight-Modell, das aus Muse Spark destilliert und unter einer permissiven Apache-2.0-Lizenz vertrieben wird und das man herunterlädt und auf eigener Hardware über eine Runtime wie vLLM, SGLang, llama.cpp oder ExecuTorch ausführt. Muse Voice Transcribe wird auf derselben Seite zusammen mit Muse Spark, Muse Image und SAM als Modelle aufgeführt, die man aufruft, statt sie herunterzuladen.

Also: keine Gewichte für Muse Voice Transcribe, keine selbstgehostete Option, keine Möglichkeit, es zu auditieren oder feinabzustimmen. Wenn eine Seite etwas anderes behauptet, hat sie es mit Muse Glimmer verwechselt. Wenn die Gewichte eines Modells nicht veröffentlicht werden, ist die Serving-Plattform alles, was zählt – und darum geht es im nächsten Abschnitt.

Wie ein Client es erreicht

Die Model API von Meta ist darauf ausgelegt, in Clients integriert zu werden, die Sie bereits verwenden. Die Behauptung des Anbieters, abgedruckt auf der Übersichtsseite der API, lautet, dass Model API „Drop-in-kompatibel mit den OpenAI-kompatiblen und Anthropic-kompatiblen Client-Bibliotheken sowie mit OpenAI-kompatiblen Agent-CLIs ist. Legen Sie die Basis-URL Ihres Clients fest, fügen Sie Ihren Schlüssel hinzu und behalten Sie den Rest Ihres Codes bei.“ Allgemein für die Model API werden drei Anfrageformen angeboten – die Responses API, die Chat Completions API und die Messages API –, sodass eine bestehende Integration in der Regel über eine passende Schnittstelle verfügt, ohne neu geschrieben werden zu müssen. Ein Hinweis zum Geltungsbereich: Diese Aussage zur Kompatibilität und diese drei Formen sind Fähigkeiten der Model API als Ganzes, nicht Zeilen, die auf der eigenen Modellseite von Muse Voice Transcribe abgedruckt sind. Der Quickstart auf der Modellseite selbst ist enger gefasst – dort heißt es nur, dass Sie „Ihren vorhandenen OpenAI-kompatiblen Client auf die Meta Model API richten“, und dass Sie in weniger als fünf Minuten eine erste funktionierende Anfrage haben werden.

Eine ehrliche Lücke, die auf einer Referenzseite erwähnt werden sollte: Metas Dokumentation für dieses Modell nennt keine offizielle Client-Bibliothek für Muse Voice Transcribe, und ihre Seite "Client libraries" befindet sich unter dem SAM-Abschnitt statt unter dem Voice-Abschnitt. Was der Speech-to-Text-Leitfaden stattdessen bietet, ist eine konkrete Liste von Abhängigkeiten — Python 3.9 oder höher mit den websockets und sounddevice-Paketen — plus ein Cookbook zu den Grundlagen der Voice-API. Die Drop-in-Behauptung beschreibt also die Request-Oberfläche von Model API im Allgemeinen; der Echtzeit-ASR-Endpunkt selbst ist ein WebSocket mit eigenen Handshake-Regeln und ohne dokumentierten Wrapper.

Was Meta nicht veröffentlicht hat

Ein fehlender Benchmark ist eine Tatsache über die Dokumentation, daher wird er hier als solche angegeben. Metas Modellseite für Muse Voice Transcribe enthält keine gedruckte Genauigkeitstabelle: Ihre Genauigkeitsnachweise werden als drei Bild-Assets bereitgestellt – ein Streaming-Wortfehlerraten-Leaderboard, ein Diarisierungsfehlerraten-Vergleich und ein Streaming-Genauigkeitsindex –, wobei im extrahierbaren Text keine Zahlen enthalten sind. Die Modellseite selbst gibt weder eine Wortfehlerrate noch eine Diarisierungsfehlerrate noch eine Aufschlüsselung nach Sprachen an.

Der Ankündigungsbeitrag enthält durchaus vom Anbieter gemeldete Zahlen, darunter eine Streaming-Wortfehlerrate und eine durchschnittliche Diarisierungsfehlerrate, und das sind die Zahlen, die wir zum Start des Modells aufgeschrieben haben; es sind Metas eigene Messungen, und sie sind nach wie vor nicht von dritter Seite reproduziert worden. Diese Seite wiederholt diesen Vergleich nicht, denn einen Hersteller-Benchmark vom Tag der Veröffentlichung auf einer Referenzseite erneut durchzuführen, würde eine nicht reproduzierte Zahl als gesicherte darstellen. Was sich schlicht sagen lässt, ist enger gefasst: Meta veröffentlicht für dieses Modell keine direkte Gegenüberstellung mit einem namentlich genannten Konkurrenten bei identischem Aufwand und identischer Testumgebung, sodass jeder Vergleich, den Sie irgendwo lesen, ein Vergleich von Anbieterzahlen ist, die unter unterschiedlichen Bedingungen erhoben wurden.

Ein Datum bleibt zudem bewusst unbestimmt. Die Modellseite enthält überhaupt kein Veröffentlichungsdatum – ihr einziges Versionsmerkmal ist das -1.0 in der Modell-ID. Das Datum 2026-09-01 in diesem Beitrag stammt aus jenem datierten Ankündigungsbeitrag und wird hier verwendet, um das Modell zeitlich einzuordnen, statt ein Ereignis zu melden.

Wer sollte darauf zurückgreifen, und wer nicht?

Das Argument für Muse Voice Transcribe ist eng gefasst und stark: Live-Audio, bei dem Sie Wörter, Sprecheridentität und Turn-Enden im selben Stream benötigen – zu einem Preis, der niedrig genug ist, um durchgängig statt bedarfsgesteuert zu laufen. Voice-Agents, Live-Untertitelung, Meeting- und Call-Intelligence, Diktat und Hochvolumen-Transkription sind die Workloads, die Meta nennt, und sie sind die Workloads, für die die Schnittstelle tatsächlich ausgelegt ist – ein 60-minütiger WebSocket mit Endpointing-Modi und sitzungsbezogenen Sprecherbezeichnungen.

Die Gegenargumente sind ebenso konkret. Wenn Sie Zeitstempel auf Wortebene, Konfidenz pro Wort, Klangereignis- oder Emotionserkennung oder eine Neuformatierung des Transkripts benötigen, bietet dieses Modell all das nicht, und das ist ein dokumentiertes Fehlen und kein Fehler. Wenn Ihr Audio in anderen Formaten als Mono-16-Bit-WAV mit 16 oder 24 kHz eingeht und Sie den Datei-Endpunkt verwenden, zahlen Sie einen Konvertierungsschritt, den Sie anderswo nicht zahlen würden. Und wenn Ihre Anforderung die Batch-Transkription archivierter Aufnahmen ist, bei der Genauigkeit die einzige Achse ist, bringt Ihnen das Streaming-Angebot nichts – der Preis ist auf beiden Wegen gleich, Sie zahlen also für Echtzeitfähigkeit, die Sie nicht nutzen werden.

Das Einzige, was Sie prüfen sollten, bevor Sie sich auf einen Produktionsweg festlegen, ist die Zahl, die diese Seite beantworten soll, und es ist die eine Zahl, die sich ändern kann, ohne dass sich das Modell überhaupt ändert: 0,18 $ pro Stunde Audio, wie sie heute auf Metas eigener Modellseite abgedruckt ist. Metas Seite ist dafür die maßgebliche Quelle. Wenn sie sich ändert, ändert sich alles, was darauf bemessen ist – der Tausend-Stunden-Monat, die Kosten pro Interview, die Bauen-oder-Kaufen-Kalkulation – mit ihr.