Meta 发布首个实时音频感知 AI 模型，支持 20 余人分轨转写

IT之家 9 月 2 日消息，科技媒体 9to5Mac 昨日（9 月 1 日）发布博文，报道称 Meta 公司推出 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 调用该能力，定价为每 1000 分钟音频 3 美元（现汇率约合 20.2 元人民币），等同每小时 0.18 美元（现汇率约合 1.2 元人民币）。该模型在同一流程中整合流式自动语音识别、说话人分离与端点检测，用户说话时，系统可同步输出文字，无需等待完整录音结束后再单独处理。IT之家注：“流式”就是边说边转写，模型不必等整段音频说完才出结果，而是会一小段一小段持续输出文字，所以延迟更低，适合实时听写、会议记录、通话字幕。Muse Voice Transcribe 可在包含 20 余名说话者的录音中分离不同发言者，还能识别说话是否结束，从而自动确定一段输入的边界。模

原文：IT之家