Meta今天推出了一款名为Muse Voice Transcribe的新模型，这是它第一个能实时“听懂”声音的AI产品。开发者通过Meta的API就能调用，价格定在每1000分钟音频3美元，约合20元人民币。换句话说，处理一个小时的语音，成本只要1块2左右。在AI模型普遍按分钟计费的今天，这个价格几乎是地板价。
这款模型最大的噱头，是它真正做到了“边说边出字”。传统语音转写工具往往要等你把一整段话说完，录完音再拿去处理，要等好久。Muse Voice Transcribe不一样，你说话的同时，屏幕上就在同步蹦出文字，延迟很低，很适合开会速记、打电话字幕、现场视频配字幕这些场景。
更厉害的是分轨功能。录音里如果有多个人在讲话，它能自动分辨出谁是谁，最多分开20多个说话者。比如一场圆桌会议，五个发言人你一句我一句，模型能把每个人的话单独拎出来，分别生成一条文字轨道。以后记者整理采访录音，可能再也不用对着音频一头雾水地猜谁说了什么了。
在语言能力上，这个模型训练时覆盖了70多种语言，发布时已经有25种语言完成了验证。它支持超过一个小时的音频，还允许在句子中间或句子之间自然切换语言。比如前一句说中文，后一句说英文，它不用专门设置，就能跟着切回来切过去。开发者还可以通过给关键词、指定语言或者上下文信息，来提升某些专业术语的识别准确率。
为了平衡“快”和“准”这两个矛盾，Meta用了一套叫做“自适应延迟”的机制。简单讲，系统不搞一刀切。它会对每个词单独做判断：如果这个词容易认，就立刻出结果，不耽误事；如果这个词发音含糊、专业性强，或者前后文有点绕，它就多等一小段音频，收集更多线索再输出。这样既保证了实时性，又不容易念错字。
Meta官方表示，截至2026年9月1日，Muse Voice Transcribe在Artificial Analysis的流式语音转文本排行榜上排第一。这个排行榜专门评估实时语音识别产品的综合表现，第一名对Meta来说是个不错的起点。
实时语音转写这几年竞争很激烈，OpenAI的Whisper、谷歌的模型都在抢占市场。Meta这次的打法很清晰：价格压到极低，功能做到“分轨”这种实用级别，再向开发者开放API调用。可以预见，接下来会议记录软件、直播字幕工具、智能耳机厂商，都会很快把这类能力集成进去。未来的AI助手如果能一边听一边把每个人的话分好类，那工作效率的提升就不是一点半点了。