Meta Superintelligence Labs hat am 1. September Muse Voice Transcribe veröffentlicht, das erste Echtzeit-Audio-Wahrnehmungsmodell des Unternehmens. Das System vereint drei typischerweise separate Aufgaben — Streaming-ASR, Sprecherdiarisierung und Endpointing — in einem einzelnen autoregressiven Modell aus der Muse-Spark-Familie.
Audio wird in 80-ms-Blöcken bei 12,5 Hz empfangen, wobei jeder Block in ein einzelnes Soft-Token umgewandelt wird. Das Modell nutzt Reinforcement Learning für eine adaptive Verzögerungsrichtlinie.
Benchmarks zeigen 3,1% Wortfehlerrate bei 0,16 Sekunden nach Redeende, verglichen mit 3,4% für Cartesia Ink-2 und 3,6% für ElevenLabs Scribe v2. Bei der Diarisierung erreicht es 17,5% durchschnittliche Fehlerrate versus 21-29% für Wettbewerber.
Das Modell ist auf 70+ Sprachen trainiert und über die Meta Model API für 0,18 USD pro Audio-Stunde verfügbar. Es wurden keine Gewichte veröffentlicht.
