Meta 推出 Muse Voice Transcribe 錯字率 3.1% 排名第一

Muse Voice Transcribe 把三件事壓進同一個模型

Meta 在美國時間 9 月 1 日（香港時間 9 月 2 日）公布 Muse Voice Transcribe，是 Meta Superintelligence Labs 第一個即時音訊感知模型。過去要做即時字幕，慣常做法是串起三套系統：一套把聲音轉成文字，一套分辨哪一句由誰說出（業界稱為 diarization，說話人分離），再有一套判斷對方是否已經講完（端點偵測）。每多一層就多一重延遲，前一層的錯誤也會原封不動傳到下一層。

Muse Voice Transcribe 把三件事收進同一個自迴歸多模態模型，屬於 Meta 的 Muse Spark 系列。它以 80 毫秒為一格處理音訊，即每秒 12.5 格，每格壓成一個軟性 token；模型讀完一格之後自行決定是繼續聽下去，還是即時吐出文字。說話人換人時模型自行插入分段標記並標示身分，全部在同一次推理內完成，不需要事後再跑一輪。延遲不是固定的：Meta 以強化學習同時獎勵準確度與速度，讓模型逐個字調整要等多久才落實。

關鍵數字

AA-WER 榜上 3.1% 與後面七家的距離

第三方評測機構 Artificial Analysis 的 AA-WER Streaming Index 量度串流語音模型在偵測到說話結束後，最終文字有多少字轉錯，數字越低越好。Muse Voice Transcribe 以 3.1% 排第一。

值得留意的是榜首到榜尾只差 0.9 個百分點，第一與第二之間更只差 0.3 個百分點。單看這一欄，八家的轉錄準確度已經擠在同一個區間，Muse Voice Transcribe 領先但不算拋離。真正拉開距離的是另一項。

說話人分離才是差距所在

同一批評測中，Muse Voice Transcribe 的說話人分離錯誤率平均為 17.5%，其餘系統落在 21.1% 至 28.6% 之間。換算下來，它比最接近的對手少錯約 17%，比最差的一家少錯近四成，這個差距遠大於轉錄那 0.3 個百分點。

分辨誰在說話，正是會議記錄、訪問謄本、客服錄音這類實際用途的瓶頸。字認得對但歸錯人，整份謄本一樣要人手重看。Meta 稱模型可以原生處理超過一小時、20 把聲以上的長錄音，而且支援句內與句間的語言切換，即同一句話中英夾雜也不會斷。

每 1,000 分鐘 3 美元 Mac 按住 Fn 就能口述

開發者經 Meta Model API 使用，定價為每 1,000 音訊分鐘 3 美元，折合每小時約 0.18 美元。這是一條把即時轉錄當成基礎設施來賣的定價，而不是當成旗艦模型來賣。

同一個模型亦已經在 Meta AI for Mac 與 Muse Code 上運行。Mac 用戶按住 Fn 鍵，就可以向任何一個應用程式口述文字：因為 Meta AI 的 Mac 版能夠替其他軟件提供語音輸入，Muse Voice Transcribe 實際上成為這些軟件的聽寫引擎。對一間主要收入來自廣告的公司來說，把語音入口鋪到桌面每一個應用程式裏，本身就是回報。

來源

• Introducing Muse Voice Transcribe（Meta AI Research，2026 年 9 月 1 日）（原始文件）
• Meta's new AI transcription model can distinguish between multiple speakers and languages in real-time（Engadget）