【事件概述】 Meta Superintelligence Labs 于 2026 年 9 月 1 日发布 Muse Voice Transcribe。这是 Meta 的首款实时音频感知模型，把流式语音识别、说话人分离和语音端点检测放在同一模型中，可在对话进行时持续输出文字、判断谁在说话并识别一句话何时结束。模型现已通过 Meta Model API、Meta AI for Mac 与 Muse Code 提供。 【模型与开发者】 模型：Muse Voice Transcribe 开发者：Meta Superintelligence Labs 官方发布日期：2026 年 9 月 1 日 模型家族：Muse Spark 主要任务：流式自动语音识别、说话人分离、端点检测 训练语言：70 多种 首批重点验证语言：25 种 多人能力：支持超过 20 位说话人 长音频：原生支持超过 1 小时输入 开放方式：Meta Model API、Meta AI for Mac、Muse Code 日期核对说明：Meta AI Research 官方文章页明确标注 2026-09-01，并写明模型当天可用。本文以该官方发布日期为准，不把后续页面更新时间、演示录音时间或第三方评测收录日期当作发布日。 【关键能力与改动】 1. 一边听一边写：模型以 80 毫秒音频块处理输入，相当于每秒 12.5 个音频块。每到一个新块，它会选择继续听下一块，或立即输出文字 Token，因此不必等整段录音结束才返回转写。 2. 自适应延迟：转写越早，等待时间越短，但可用语境也越少。Meta 使用强化学习联合优化词错误率与延迟，让模型根据当前词的难度动态决定多听一点还是立即输出，而不是所有词都采用固定等待时间。 3. 流式说话人分离：模型用专门的轮次与说话人标记识别发言切换，并把文字归到对应说话人。官方称它可以在无需额外后处理的情况下处理超过 20 位说话人和一小时以上长音频。 4. 端点检测：模型可输出语音开始与语音结束标记。对语音助手而言，这有助于判断用户是否已经说完，减少过早抢答或等待太久。 5. 多语言和混合语言：Muse Voice Transcribe 训练覆盖 70 多种语言，其中 25 种经过较充分验证。官方演示展示了中文与英文在同一句话中的自然切换。 6. 上下文偏置：开发者可提供语言、关键词与上下文提示，提高人名、品牌名、地点或专业词汇的识别机会。这种偏置有助于定制场景，但不是准确率保证。 7. 产品接入：Meta AI 和 Muse Code 的语音听写已由该模型驱动；开发者可通过 Meta Model API 把实时音频感知接入自己的应用。 【适用对象】 适合会议纪要、直播字幕、客服坐席、采访记录、语音助手、多人协作工具和需要中英混说识别的产品团队。需要实时知道“谁说了什么”、而不只是获得整段纯文本的应用，可以重点评估说话人分离与端点输出。 对 Muse Code 用户，语音输入可以让开发者在不停止当前操作的情况下口述需求；对桌面助手，端点检测可以帮助系统更自然地衔接用户发言。对于长访谈和会议，流式输出也便于边转写边做摘要、检索或任务提取。 【实际影响】 传统实时语音链路常把语音识别、说话人分离和端点检测拆成多个模型。各模块的延迟与错误会层层传递，系统还要维护复杂的时间戳对齐。Muse Voice Transcribe 尝试用统一的自回归多模态模型完成三项任务，减少上层应用拼接多个组件的工作。 不过，统一模型并不等于可以省略验证。生产团队应在真实房间、麦克风、口音、背景噪声和多人重叠发言条件下，对转写错误率、说话人归属、端点延迟和长会话稳定性分别测试，并保留失败回退策略。 【技术机制简述】 每个 80 毫秒音频块会被转成一个软 Token。模型输出特殊的 next_audio 标记时继续等待下一块，选择输出文本时就生成转写；音频结束后，系统插入 empty_audio 标记，提示模型输出尚未完成的文字。说话人分离和端点检测则通过额外的特殊标记共同训练。 这种设计让同一个序列模型同时看到音频进度、已生成文本、说话人轮次和语音边界，但最终质量仍受到采音、网络抖动、口音、噪声和模型解码策略影响。 【限制与使用提醒】 第一，Meta 页面明确提示转写由 AI 生成，可能不准确。模型不应被用作无需复核的法律记录、医疗病历、财务指令或身份判断依据；关键内容应回听原始音频并由人工确认。 第二，70 多种训练语言不等于所有语言都达到同一质量。官方首批推荐的是 25 种充分验证语言，其他语言、方言、口音和专业领域需要单独测试。 第三，多人分离在重叠说话、远场拾音、强回声、相似声线或频繁打断时更容易出错。“支持 20 多位说话人”是能力范围描述，不代表每场大型会议都能保持准确身份归属。 第四，自适应延迟需要在速度与准确率间权衡。网络和服务端排队也会叠加延迟，官方页面的模型机制不能替代端到端应用测量。 第五，上下文偏置可能提高关键词识别，也可能在相似词之间引入误替换。名单和术语表应保持精简，并针对错误提示做回归测试。 第六，本次发布页没有公开模型参数规模、下载权重或本地部署许可，不能把 API 可用描述成已开放权重。对隐私敏感的录音，应先确认 Meta 的数据处理条款、所在地区要求与企业保留策略。 第七，录音必须获得参与者许可。会议、客服和公共空间使用还应遵守当地录音告知、个人信息保护和生物特征数据规则。 第八，官方页面引用的榜单排名截至 2026 年 9 月 1 日，排名会随参评模型、数据和评测规则变化，不应被当作长期不变的结论。 【官方来源】 Meta AI Research 官方发布页：https://research.meta.ai/blog/introducing-muse-voice-transcribe Meta AI 开发者产品页：https://ai.meta.com/llama