Muse Voice Transcribe 正式上線：Meta 首款即時音訊感知模型

Muse Voice Transcribe，Meta Superintelligence Labs 推出的首款即時音訊感知模型，於 2026 年 9 月 1 日正式上市，其定價就像劇透一樣：在 Meta Model API 上，每 1,000 分鐘音訊收費 $3.00 美元——約每小時 $0.18 美元。它透過單一串流處理，完成了大多數轉錄系統需拆分到三個系統才能做到的事：{{8}}自動語音辨識{{/8}}、跨越 {{10}}多達 20 位說話者{{/10}}的{{9}}說話者分離{{/9}}，以及{{11}}語句終點偵測{{/11}}——判斷說話者是真的講完，還是只是思考間暫停。Meta 表示，該模型在 Artificial Analysis 串流語音轉文字排行榜上高居榜首，最終轉錄稿的{{14}}字錯誤率{{/14}}僅 3.1%，且在說話者停止說話後 {{15}}0.16 秒{{/15}}即可交付結果。

最後那個數字在發揮任何作用之前，需要先貼上誠實的標籤：這是 Meta 在發布當天提出的宣稱，指向一個獨立排行榜，而該模型在公告發出時，開放呼叫的時間還不到一天。實驗室以外還沒有任何人重現出那 3.1% 的結果；準確度宣稱是一回事，其餘的賣點——70+ 種受訓語言、原生語碼轉換、經強化學習的「自適應延遲」——則是同一條船上的另一組廠商說詞。這篇文章中的所有內容，都是該模型第一天的狀態，廠商數字也如實標示為廠商數字。

首日關鍵數字

• {{1}}價格{{/1}} — Meta Model API 每 1,000 音訊分鐘收費 $3.00（約每音訊小時 $0.18），低於我們追蹤的所有主要串流轉錄 API。

• 準確性宣稱 — 最終轉錄稿在語音結束後 0.16 秒的 WER 為 3.1%；首批部分轉錄稿在 0.13 秒的 WER 為 3.6%。供應商回報，引用自 Artificial Analysis 串流排行榜。

• 說話人分割 — 20+ 位說話人，以串流方式輸出，無需額外的後處理步驟（Meta 報告平均說話人分割錯誤率為 17.5%）。

• 語言 — 訓練涵蓋 70+ 種；發布時有 25 種經過「廣泛驗證」；句內和句間可無縫語碼轉換。

• 上下文 — 可處理超過一小時的音訊；針對術語密集型領域提供語言、關鍵字和上下文偏置。

這裡的「音訊感知模型」是什麼意思

架構即故事。Muse Voice Transcribe 以 80 毫秒的區塊攝取音訊，並在詞彙穩定時即時串流輸出文字——這就是「即時」在實際運作上的意義。有趣之處在於它如何決定何時提交一個詞。它並非採用固定的延遲預算——也就是辨識器要嘛提早提交而猜測、要嘛等待更久而保留餘地的標準取捨——而是使用 Meta 所稱的「自適應延遲」：在處理簡單的語音時快速推進，而對較不確定的詞彙則保留更多音訊上下文。延遲策略本身是透過強化學習學得的，因此模型實際上是在逐字層級上平衡速度與準確性，而非套用單一的全域設定。

正是這項區別，讓 Meta 稱 Muse Voice Transcribe 為「音訊感知模型」（audio perception model），而非 ASR 模型。輸出串流是一份單一的即時轉錄稿，同時也承載著說話者是誰，以及語句何時結束——這三個標籤，串流系統通常是靠把辨識器、語音活動偵測器和語者分離模型（diarization model）黏合在一起才拼湊得出來，而每個環節都各自增加延遲，也各自有其失效模式。

內建說話人分離與端點偵測

{{1}}說話者分離是最值得審視的部分，因為這是串流產品最常誇大其詞的功能。{{/1}} {{2}}Meta 表示，該模型能在單一錄音中區分 20+ 位說話者，並報告平均分離錯誤率為 17.5%，且將此與競爭對手系統的 21.1%–28.6% 區間進行對比。{{/2}} {{3}}這兩個數字都是廠商在發布當天自行公布的，目前尚無獨立評測證實 17.5%。{{/3}} {{4}}結構上屬實的是，分離與辨識在同一個串流處理流程中執行——沒有「上傳音訊、等待、取回說話者」的第二個步驟，而正是這項設計選擇，讓 20+ 說話者追蹤在即時情境中具有可行性。{{/4}}

端點偵測是較為低調的功能，但可以說是最實用的。暴露原始串流 ASR 的轉錄 API 迫使呼叫端自行實作語句結束偵測，這就是為什麼語音代理經常打斷使用者或留下靜默空檔。Muse Voice Transcribe 會判斷回合何時完成，並將該邊界作為串流的一部分輸出，讓應用程式無需建置 VAD 層即可獲得乾淨的「此說話者已結束」訊號。

多語言聲明，請仔細閱讀

Meta 以 70 多種語言訓練該模型，但推出時僅驗證了 25 種。這兩者是不同的事：「受過訓練」表示資料包含了這些語言；「經廣泛驗證」才是 Meta 以內部測試真正背書的子集。在生產環境使用時，經過驗證的 25 種語言清單才是實際覆蓋範圍，而 70 與 25 之間的落差，值得你在把 40 種語言送入模型之前先弄清楚。真正與眾不同之處在於語碼轉換：該模型無需事先告知，就能在句子中途與話語中途切換語言，這在多語言地區是實際的痛點，也是大多數單語言 ASR 產品根本做不到的。語言、關鍵字與情境偏置補齊了客製化功能的全貌：你可以將辨識結果偏向某個領域的字彙，而這正是讓串流 ASR 在醫療、法律與客服佇列中得以實用的關鍵功能。

三種表面，一個型號

Muse Voice Transcribe 一次登陸三個平台。付費版本是 Meta Model API，每 1,000 音訊分鐘收費 3.00 美元。消費端版本是 Meta AI for Mac，按住 Fn 鍵即可在任何應用程式中進行聽寫——這是 Meta 對 Apple 內建聽寫功能的回應，也是該模型在推出首日最引人注目的實際應用。開發者版本是 Muse Code，Meta 的程式設計代理，語音指令可驅動多代理會話與重構流程。一個模型同時驅動聽寫功能和程式設計代理，正是「單一串流模型，多種應用場景」的產品化體現。

價格所低於的對象

以每音頻小時 0.18 美元的價格，Muse Voice Transcribe 在標價上低於串流轉錄市場的競爭者。就我們追蹤的比較組而言：Google 的 Gemini 3.5 Transcribe Live 大約是每 1,000 分鐘 9 美元，ElevenLabs 的 Scribe v2 Realtime 定價為每 1,000 分鐘 6.50 美元，Cartesia 的 Ink-2 為 4.00 美元，OpenAI 的 GPT Live Transcribe 為 17.00 美元。這些是廠商公佈的數字，而其中幾個模型擁有 Muse 尚不具備的獨立準確性證據——首日的價格領先並不等同於已定局的排行榜。但一個內建說話者區分與端點偵測的串流模型，以大約現有串流 API 價格的五分之一到十分之一進入市場，無論如何都是那種會重新設定期待的數字。

誠實的告誡

Muse Voice Transcribe 是專有軟體，權重並未公開——「自行執行」的選項並不存在，也沒有開放權重的途徑可供審計或微調。準確性宣稱僅為發布當日之數據，且未經複現。25 種已驗證語言在低資源涵蓋範圍上，可能與 70+ 種「訓練過」的數字不一致。而說話者分離（diarization）基準測試雖看似前景可期，但在獨立執行證實之前，僅屬廠商自行測量。對於唯一需求是準確批次轉錄預錄音訊的團隊，仍有更便宜且審計更完善的選項——串流轉錄的賣點在於即時互動，而非在每音訊小時成本上勝過批次轉錄。

接下來要看什麼

有四件事將決定這次發布是一時的熱潮還是長期的趨勢。首先，獨立驗證後，{{1}}Artificial Analysis 串流排行榜{{/1}}是否真的將 {{2}}Muse Voice Transcribe{{/2}} 列為第一名——發布當天的宣稱需要一個確定的榜單條目。其次，{{3}}20+ 說話者分離{{/3}}能否在真實且嘈雜的會議中經得起考驗。第三，{{4}}Meta 的 Mac 聽寫介面{{/4}}能否轉化為{{5}}開發者對 API 的採用{{/5}}。第四，{{6}}既有業者如何因應價格{{/6}}，因為每小時 $0.18 的{{7}}具備說話者分離與端點偵測的串流模型{{/7}}會對所有價格更高的業者構成明顯壓力。當 Meta 將模型開放給更多服務合作夥伴時，像 {{8}}OrcaRouter{{/8}} 這樣的直通閘道——以{{9}}0% 加價{{/9}}轉發供應商列表價格——會在{{10}}上線當天{{/10}}呈現相同的每 1,000 分鐘 $3.00 的數字，且沒有任何經銷商加成。在那之前，{{11}}唯一能呼叫 Muse Voice Transcribe 的地方{{/11}}就是{{12}}Meta 自家的 API{{/12}}。