Meta Superintelligence Labs, 1 Eylül'de ilk gerçek zamanlı ses algılama modeli olan Muse Voice Transcribe'ı yayımladı. Sistem, tipik olarak üç ayrı işi — akış halinde otomatik konuşma tanıma, konuşmacı diyarizasyonu ve endpointing'i — Muse Spark ailesinden tek bir otonom modelde birleştiriyor.
Model, zorluğa göre her kelimenin arkasındaki ses bağlamını ayarlayan bir gecikme politikası için pekiştirmeli öğrenme kullanıyor.
Benchmark sonuçları, konuşma sonundan 0,16 saniye sonra %3,1 kelime hata oranı gösteriyor — Cartesia Ink-2 için %3,4 ve ElevenLabs Scribe v2 için %3,6'ya kıyasla. Diyarisasyonda %17,5 ortalama hata oranı elde ediyor.
Model 70+ dilde eğitilmiş ve Meta Model API üzerinden saatlik ses başına 0,18 ABD dolarına sunuluyor. Ağırlıklar yayınlanmadı.
