Meta的Superintelligence Labs於9月6日釋出了其首個即時音訊感知模型Muse Voice Transcribe。該模型能在對話過程中即時轉錄語音、區分說話人並檢測句子邊界，被視為構建“永不停止傾聽”的AI助手的基礎元件。模型將輸入音訊切分為80毫秒的片段，每處理完一個片段，模型會決定是繼續聆聽還是輸出下一個詞作為文本，從而在收集上下文與響應速度之間做出權衡。等待時間越長，轉錄越準確，但延遲也越高。Meta表示，模型會根據每個詞的難度動態調整等待時間——簡單詞彙輸出更快，困難詞彙則給予更多聆聽時間。這一行為通過強化學習訓練，模型同時被獎勵低錯誤率和短延遲。
Muse Voice Transcribe將說話人分離和句子檢測功能整合在同一模型中，無需額外系統。對於說話人歸屬，模型在文本流中標記說話人變化，並用A到Z的識別符號標註每個段落；對於句子邊界，則標記每個話語的開始和結束。這兩個任務與語音識別聯合訓練。模型能同時區分超過20位說話人，並能處理超過一小時的錄音而無需後處理。在Meta展示的演示中，八人房間內的對話，系統能即時將詞語分配給各個說話人。
多語言支援是模型的一大賣點。Meta稱Muse Voice Transcribe在超過70種語言上訓練，其中25種經過深度測試。模型還支援語碼轉換，即說話人在句子中途切換兩種語言。提供語言、關鍵詞和上下文提示可進一步提升準確性，尤其對“Meta”、“Muse”或“Menlo Park”等專有名詞。
獨立評測機構Artificial Analysis在9月1日的測試中證實了Meta的說法。Muse Voice Transcribe在說話人結束講話後0.16秒內，英語詞錯率為3.1%。相比之下，ElevenLabs Scribe v2 Realtime的詞錯率為3.6%（延遲0.14秒），AssemblyAI Universal-3.5 Pro Realtime為4.0%。Cartesia Ink-2則根據是否依賴外部系統檢測話語結束，得分在3.4%或4.0%之間。競爭相當激烈，OpenAI已於5月釋出用於相同目的的GPT-Realtime-Whisper，並在7月下調了轉錄模型價格。
Meta將此次釋出與CEO馬克·扎克伯格“個人超級智慧”的願景掛鉤。在一場精心設計的演示中，Meta員工認為可靠的語音識別是個人AI代理的基礎，這些代理可通過AI眼鏡等裝置即時聆聽真實對話。值得注意的是，在德國，Meta的攝像頭眼鏡近期曾面臨禁令討論，不過德國聯邦網路局最終決定不採取行動。
Muse Voice Transcribe現已為Meta AI和Muse Code中的語音聽寫提供支援，並通過Meta Model API開放。使用者可在任何應用中按住“Fn”鍵進行體驗。定價方面，Meta以每小時0.18美元（即每1000音訊分鐘3美元）的價格低於市場，Cartesia Ink-2為4美元，ElevenLabs Scribe v2 Realtime和Deepgram Flux均為6.5美元。這延續了Muse Spark 1.1和1.2的策略，即Meta以價格而非峰值效能競爭。公司未披露模型的引數數量、訓練資料量或音訊資料來源，也未開放權重。
Meta於2025年夏季重組其AI部門，成立Superintelligence Labs，並從OpenAI、Google DeepMind和Apple招募頂尖研究人員，提供高達四年3億美元的薪酬方案。不過並非所有人都留下，部分人在幾周後便返回了OpenAI。