Meta 首个实时音频感知模型来了：20 多人同时说话也能分轨转写，每千分钟 3 美元

  Meta推出的Muse Voice Transcribe是首个实时音频感知模型，支持流式语音识别、说话人分离与端点检测，适用于会议记录和通话字幕等场景。该模型可处理20余名说话者的录音，并支持70余种语言，同时引入自适应延迟机制以平衡速度与准确率。