Perceive Beating Новости ИИ: Лаборатория суперинтеллекта Meta выпустила Muse Voice Transcribe. Модель выполняет преобразование речи в текст в режиме реального времени, различает разных спикеров и определяет момент, когда пользователь закончил говорить — и всё это в рамках одной модели. Она может обрабатывать аудиофайлы длительностью до 1 часа и различать более 20 человек.

В тесте по транскрибации английской речи в реальном времени, проведенном Artificial Analysis, показатель WER (Word Error Rate, Ошибка распознавания слов, чем ниже, тем лучше) составил 3,1%. У GPT Live Transcribe этот показатель составил 3,9%, а у Gemini 3.5 Transcribe Live — 4,0%. Muse Voice Transcribe может предоставить итоговый текст примерно через 0,16 с после того, как спикер закончил говорить.

Модель не назначает одинаковое время ожидания для всех слов. Она считывает 80 мс аудио за раз и решает, продолжать ли прослушивание или начать вывод текста. Простые слова могут быть транскрибированы быстрее, в то время как сложные слова требуют прослушивания для получения большего контекста перед подтверждением. Meta использует обучение с подкреплением для одновременной оптимизации точности и задержки.

Модель была обучена на более чем 70 языках, при этом 25 языков прошли интенсивную проверку. Она также может напрямую распознавать смешанную китайскую и английскую речь в одном предложении. В настоящее время модель интегрирована в Meta AI для Mac и Muse Code, а также открыт доступ к Программному интерфейсу приложения Meta Model. Стоимость составляет 3 доллара за 1000 минут, что эквивалентно 0,18 доллара в час.