9月1日，Meta正式推出Muse Voice Transcribe，这是其首个实时音频感知模型。开发者可通过Meta Model API调用，定价为每1000分钟音频3美元，折合每小时仅约0.18美元，在语音转写赛道里堪称白菜价。

这款模型最特别的地方在于实时。传统语音转写大多录完再转，而Muse Voice Transcribe在同一流程中整合了流式语音识别、说话人分离与端点检测三大能力，用户边说话，系统边输出文字，无需等待整段录音结束。对于实时听写、会议记录、通话字幕这类场景，低延迟带来的体验差异是决定性的。

技术上，它引入了自适应延迟机制：系统不会对所有词语采用统一的处理速度，而是针对每个词动态判断需要接收多少音频后再输出。容易识别的词快速提交，发音含糊、术语密集的内容则多调用上下文，在响应速度与识别精度之间找到动态平衡。这套设计相当务实，也让它在包含20余名说话者的复杂录音中依然能准确分轨。

Meta还透露，模型训练覆盖70余种语言，其中25种在发布时完成验证，支持超一小时的长音频与句中、句间的自然语言切换。截至9月1日，它已位列Artificial Analysis流式语音转文本排行榜第一名。

语音正在成为大模型竞争的下一个主战场。当文本对话的体验趋于同质化，谁能把听得懂、分得清、转得快做到极致，谁就能抢占会议、客服、医疗、法律等海量落地场景。Meta以低价开放的姿态切入，无疑会倒逼整个行业加速。

不过，实时分轨的规模化落地仍面临挑战：多语种混合、方言口音、背景噪音与隐私合规，都是绕不开的坎。排名第一只是起点，真正的考验在真实场景里。