Meta发布实时转录模型Muse Voice Transcribe，API定价每千音频分钟3美元

Engadget于9月1日报道，Meta旗下超级智能实验室（Meta Superintelligence Labs）发布实时音频转录模型Muse Voice Transcribe。按报道，这是该实验室推出的第一款实时音频感知模型，把流式语音识别、说话人分离（diarization）与断句判定合并到同一个模型里完成，不再需要单独的后处理环节。能力口径上，模型可在一段录音中区分20位以上说话人，支持句中与句间的自然语码切换，可处理一小时以上的长音频；训练覆盖70多种语言，发布时已完成验证的有25种。马克·扎克伯格称模型采用自适应延迟策略，会根据词的识别难度自行决定听多久再输出，用等待时间换准确率，而不是固定一个速度与精度的折衷点。落地方式上，该模型已在Meta的Mac端应用与Muse Code中承担听写功能，开发者可通过Meta Model API调用，价格为每1000音频分钟3美元，折合每小时0.18美元。报道同时提到，谷歌在8月下旬已推出能力相近的Gemini 3.5 Transcribe，两家在多说话人与多语种实时转录上正面相遇。

语音转录长期是拼准确率的单点能力，这次值得注意的是交付形态和价格：说话人分离、断句这些过去要靠一串后处理工具拼起来的环节被收进单个模型，等于把一条工程流水线压缩成一次API调用。每小时0.18美元的公开报价，也把实时转录从需要定制集成的项目型能力，变成可以按量采购的基础设施件。对会议记录、客服质检、字幕这类依赖多说话人长音频的场景，成本结构和技术选型的门槛同时被下调。

对Meta而言，模型直接绑定自家Mac应用与Muse Code的听写入口，是把模型能力接到已有产品上，而不是单独卖模型；API定价则是对外的第二条路径。对开发者，原本需要自行拼装的ASR加说话人分离方案，出现了一个按分钟计价的替代项，自建流水线的性价比会被重新评估。对同业，谷歌8月下旬的Gemini 3.5 Transcribe与这次发布相隔不到两周，实时转录已经从少数厂商的专有能力变成大厂标配的竞争面，后续拉开差距的更可能是长音频稳定性、语种覆盖和单位成本，而不是单条基准分数。