Muse Voice Transcribe ist live: Metas erstes Echtzeit-Audiowahrnehmungsmodell

Muse Voice Transcribe, das erste Echtzeit-Audio-Wahrnehmungsmodell von Meta Superintelligence Labs, erschien am 1. September 2026, und sein Preis ist wie ein Spoiler: 3,00 $ pro 1.000 Minuten Audio — etwa 0,18 $ pro Stunde — über die Meta Model API. In einem einzigen Streaming-Durchlauf erledigt es, wofür die meisten Transkriptions-Stacks drei Systeme benötigen: automatische Spracherkennung, Sprecher-Diarisierung über mehr als 20 Stimmen und Endpointing, also die Aufgabe zu entscheiden, wann ein Sprecher tatsächlich fertig gesprochen hat und nicht nur mitten im Gedanken innehält. Meta zufolge führt das Modell die Streaming-Sprach-zu-Text-Bestenliste von Artificial Analysis mit einer Wortfehlerrate von 3,1 % bei finalen Transkripten an, die 0,16 Sekunden nach dem Ende der Äußerung geliefert werden.

Diese letzte Zahl braucht ihr ehrliches Etikett, bevor sie irgendeine Wirkung entfaltet: Sie ist Metas Behauptung vom Starttag, die auf eine unabhängige Bestenliste verweist, für ein Modell, das bei Veröffentlichung der Ankündigung weniger als einen Tag lang aufrufbar gewesen war. Niemand außerhalb des Labors hat die 3,1 % bislang reproduziert, und die Genauigkeitsangabe ist das eine, während der Rest des Verkaufsarguments — 70+ trainierte Sprachen, natives Code-Switching, durch bestärkendes Lernen erlernte „adaptive Verzögerung" — eine separate Reihe von Anbieteraussagen im selben Boot ist. Alles in diesem Beitrag ist der Zustand des Modells am ersten Tag, wobei Anbieterzahlen als Anbieterzahlen gekennzeichnet sind.

Die Zahlen, die am ersten Tag zählen.

• Preis — 3,00 $ pro 1.000 Audiominuten (ca. 0,18 $ pro Audiostunde) bei der Meta Model API, womit er alle großen Streaming-Transkriptions-APIs unterbietet, die wir beobachten.

• Genauigkeitsangabe — 3,1 % WER bei finalen Transkripten 0,16 Sekunden nach dem Sprachende; 3,6 % WER bei ersten vorläufigen Transkripten nach 0,13 Sekunden. Vom Anbieter gemeldet, unter Berufung auf das Streaming-Leaderboard von Artificial Analysis.

• Diarisierung — {{1}}20+ Sprecher, per Streaming ausgegeben ohne separaten Nachbearbeitungsschritt{{/1}} ({{2}}Meta berichtet eine durchschnittliche Diarisierungsfehlerrate von 17,5 %{{/2}}).

• Sprachen — trainiert auf 70+; 25 bei der Einführung "umfassend verifiziert"; nahtloses Code-Switching innerhalb und zwischen Sätzen.

• Kontext — verarbeitet Audio über eine Stunde Länge; Sprach-, Schlüsselwort- und Kontext-Biasing für jargonlastige Domänen.

Was "audio perception model" hier bedeutet

Die Architektur ist die Geschichte. Muse Voice Transcribe nimmt Audio in 80-Millisekunden-Häppchen auf {{1}}und streamt Wörter, sobald sie sich stabilisieren{{/1}} – das ist es, was „Echtzeit“ in der Praxis bedeutet. {{2}}Das Interessante daran ist, wie das Modell entscheidet, wann es ein Wort verbindlich festlegt{{/2}}. Statt eines festen Latenz-Budgets – dem üblichen Kompromiss, bei dem ein Erkennungssystem entweder früh festlegt und rät oder länger wartet und absichert – nutzt das Modell das, was Meta „adaptive Verzögerung“ nennt: Es arbeitet sich schnell durch einfache Sprache und hält bei Wörtern, bei denen es sich unsicherer ist, mehr Audiokontext zurück. {{3}}Die Verzögerungsstrategie selbst wurde durch bestärkendes Lernen gelernt{{/3}}, sodass das Modell Geschwindigkeit und Genauigkeit effektiv pro Wort ausbalanciert, statt eine globale Einstellung anzuwenden.

Dieser Unterschied ist der Grund, warum Meta Muse Voice Transcribe ein „Audio-Wahrnehmungsmodell“ und nicht ein ASR-Modell nennt. Der Ausgabestrom ist ein einziges Live-Transkript, das auch enthält, wer spricht und wann die Äußerung abgeschlossen ist – drei Kennzeichnungen, die Streaming-Systeme normalerweise zusammensetzen, indem sie einen Erkerner mit einem Sprachaktivitätsdetektor und einem Diarisierungsmodell verbinden, wobei jede Komponente ihre eigene Latenz und ihre eigenen Fehlermodi hinzufügt.

Diarization und Endpointing, integriert

Sprecherdiarisierung ist der Teil, der am meisten kritisch zu betrachten ist, denn es ist die Funktion, bei der Streaming-Produkte am häufigsten übertreiben. Meta gibt an, dass das Modell 20+ Sprecher in einer einzigen Aufnahme trennt, und meldet eine durchschnittliche Diarisierungsfehlerrate von 17,5 %, die es mit einer Spanne von 21,1–28,6 % vergleicht, die es Wettbewerbssystemen zuschreibt. Beide Zahlen wurden am Starttag vom Anbieter veröffentlicht, und keine unabhängige Auswertung hat die 17,5 % bislang bestätigt. Was strukturell real ist, ist, dass die Diarisierung im selben Streaming-Durchlauf wie die Erkennung läuft – es gibt keinen zweiten Schritt wie „Audio hochladen, warten, Sprecher zurückbekommen“, was die Designentscheidung ist, die eine Verfolgung von 20+ Sprechern in einem Live-Setting überhaupt erst plausibel macht.

Endpunkterkennung ist die unauffälligere Fähigkeit und wohl die nützlichste. Transkriptions-APIs, die rohes Streaming-ASR bereitstellen, zwingen den Aufrufer, die Erkennung des Sprachendes selbst zu implementieren, weshalb Sprachagenten Menschen so oft unterbrechen oder tote Luft hinterlassen. Muse Voice Transcribe entscheidet, wann eine Äußerung abgeschlossen ist, und gibt diese Grenze als Teil des Streams aus, sodass eine Anwendung ein klares Signal „Dieser Sprecher ist fertig“ erhält, ohne eine VAD-Schicht zu implementieren.

Der mehrsprachige Anspruch, sorgfältig gelesen

Meta hat das Modell mit über 70 Sprachen trainiert, validiert aber zum Start 25. Das sind verschiedene Dinge: „trainiert auf“ bedeutet, dass die Daten diese Sprachen enthielten; „umfassend verifiziert“ ist die Teilmenge, hinter der Meta tatsächlich mit internen Tests steht. Für den Produktionseinsatz ist die Liste der 25 verifizierten Sprachen die tatsächliche Abdeckung, und die Lücke zwischen 70 und 25 sollte man kennen, bevor man 40 Sprachen durch das Modell schickt. Was wirklich ungewöhnlich ist, ist die Geschichte des Code-Switching – das Modell ist darauf ausgelegt, mitten im Satz und mitten in einer Äußerung die Sprache zu wechseln, ohne dass man es ihm sagt, was in mehrsprachigen Regionen ein echtes Problem darstellt und etwas ist, was die meisten einsprachigen ASR-Produkte schlicht nicht können. Sprach-, Schlüsselwort- und Kontext-Biasing runden die Anpassungsgeschichte ab: Man kann die Erkennung in Richtung eines domänenspezifischen Vokabulars gewichten, und das ist die Funktion, die Streaming-ASR in medizinischen, juristischen und Support-Warteschlangen nutzbar macht.

Drei Oberflächen, ein Modell

Muse Voice Transcribe erscheint gleichzeitig auf drei Oberflächen. Die kostenpflichtige ist die Meta Model API für 3,00 $ pro 1.000 Audiominuten. Die Verbraucherversion ist Meta AI für Mac, bei der das Halten der Fn-Taste in jede Anwendung diktiert – Metas Antwort auf Apples integrierte Diktierfunktion und die sichtbarste reale Bereitstellung des Modells am ersten Tag. Die Entwicklerversion ist Muse Code, Metas Coding-Agent, bei dem Sprachbefehle Multi-Agenten-Sitzungen und Refactoring-Abläufe steuern. Ein Modell, das eine Diktierfunktion und einen Coding-Agenten antreibt, ist die produktisierte Version des Konzepts „ein Streaming-Modell, viele Oberflächen“.

Was der Preis unterbietet

Mit 0,18 $ pro Audiostunde unterbietet Muse Voice Transcribe das Feld der Streaming-Transkription beim Listenpreis. Der Vergleich, so wie wir ihn erfassen: Googles Gemini 3.5 Transcribe Live kostet etwa 9 $ pro 1.000 Minuten, ElevenLabs' Scribe v2 Realtime ist mit 6,50 $ pro 1.000 Minuten gelistet, Cartesias Ink-2 bei 4,00 $ und OpenAI's GPT Live Transcribe bei 17,00 $. Das sind die veröffentlichten Zahlen der Anbieter, und mehrere dieser Modelle verfügen über unabhängige Genauigkeitsnachweise, die Muse noch nicht hat – Preisführerschaft am ersten Tag ist nicht dasselbe wie eine etablierte Rangliste. Aber ein Streaming-Modell mit integrierter Diarisierung und Endpunkterkennung, das mit ungefähr einem Fünftel bis einem Zehntel des Preises der etablierten Streaming-APIs auf den Markt kommt, ist die Art von Zahl, die unabhängig davon Erwartungen neu setzt.

Die ehrlichen Vorbehalte

Muse Voice Transcribe ist proprietär, und die Gewichte werden nicht veröffentlicht — die Option „run it yourself" existiert nicht, und es gibt keinen Open-Weights-Pfad für Audit oder Fine-Tuning. Die Genauigkeitsbehauptung stammt vom Markteinführungstag und wurde nicht reproduziert. Die 25 verifizierten Sprachen entsprechen möglicherweise nicht der 70+-„trained on"-Angabe bei der Abdeckung ressourcenarmer Sprachen. Und der Diarisierungs-Benchmark ist, so vielversprechend er auch ist, eine Herstellermessung, bis eine unabhängige Ausführung ihn bestätigt. Für Teams, deren einzige Anforderung eine genaue Batch-Transkription von vorab aufgezeichnetem Audio ist, gibt es weiterhin günstigere und besser geprüfte Optionen — das Streaming-Argument zielt auf Echtzeit-Interaktion ab, nicht darauf, die Batch-Transkriptionswelt bei den Kosten pro Audio-Stunde zu schlagen.

Was als Nächstes ansehen

Vier Dinge werden entscheiden, ob dieser Launch ein Moment oder ein Trend ist. Erstens, ob das Artificial-Analysis-Streaming-Leaderboard Muse Voice Transcribe nach unabhängiger Verifizierung tatsächlich auf Platz #1 führt – die Behauptung vom Launch-Tag braucht einen bestätigten Eintrag in der Rangliste. Zweitens, ob die Diarisierung für 20+ Sprecher den Kontakt mit echten, lauten Meetings übersteht. Drittens, ob sich Metas Mac-Diktatoberfläche in die Adoption der API durch Entwickler übersetzt. Viertens, wie die etablierten Anbieter preislich reagieren, denn ein Streaming-Modell mit Diarisierung und Endpointing für 0,18 $ pro Stunde setzt alle darüber sichtbar unter Druck. Wenn Meta das Modell für zusätzliche Serving-Partner öffnet, würde ein Pass-through-Gateway wie OrcaRouter – das die Listenpreise der Anbieter ohne Aufschlag (0 % Marge) durchreicht – am Tag der Verfügbarkeit denselben Betrag von 3,00 $ pro 1.000 Minuten ohne Reseller-Aufschlag anzeigen. Bis dahin ist Metas eigene API der einzige Ort, um Muse Voice Transcribe aufzurufen.