Meta uruchamia Muse Voice Transcribe, model rozpoznawania mowy w czasie rzeczywistym

Wpis archiwalny: opisuje wydarzenie z 1 września 2026, a opublikowaliśmy go 8 listopada 2026. Dane pochodzą ze źródeł z tamtego dnia i mogły się od tego czasu zmienić.

1 września 2026 r. laboratorium Meta Superintelligence Labs wydało Muse Voice Transcribe, swój pierwszy model percepcji dźwięku w czasie rzeczywistym, jak wynika z ogłoszenia Meta AI Research. Model oferował strumieniowe rozpoznawanie mowy, diaryzację dla ponad 20 mówców oraz endpointing, a jego cena wynosiła 0,18 USD za godzinę dźwięku.

Co się zmieniło

• Obsługiwał code-switching oraz ukierunkowanie rozpoznawania na język, słowa kluczowe i kontekst.
• Był trenowany na ponad 70 językach, z których 25 zostało zweryfikowanych.
• Był dostępny przez Meta Model API, Meta AI for Mac i Muse Code.
• Identyfikatorem modelu był muse-voice-transcribe-1.0, a punktami końcowymi wss://api.meta.ai/v1/asr/realtime oraz POST /v1/asr/transcribe.
• Cena wynosiła 0,18 USD za godzinę dźwięku, a limity to 256 równoczesnych strumieni i 16 000 strumieni na godzinę.

Co to oznacza dla osób budujących z AI

Dzięki tej premierze Meta weszła na rynek płatnych API do zamiany mowy na tekst, w cenie 0,18 USD za godzinę dźwięku. Meta podała, że według Artificial Analysis model zajął pierwsze miejsce w strumieniowym rozpoznawaniu mowy i diaryzacji według stanu na 1 września 2026 r. Twórcy musieli też uwzględnić jedną lukę: model nie zwracał znaczników czasu na poziomie słów.

Dokumentacja

Dokumentacja Meta Model API dla programistów zawiera stronę z modelami oraz stronę z cennikiem i limitami.

Źródła

• Introducing Muse Voice Transcribe (Meta AI Research, 1 września 2026, oficjalne)
• Models (Meta (dev.meta.ai docs), oficjalne)
• Pricing and rate limits (Meta (dev.meta.ai docs), oficjalne)

Tekst przygotowany z pomocą AI wyłącznie na podstawie źródeł wymienionych powyżej. Zanim trafił na stronę, przeszedł automatyczną kontrolę dat, źródeł i wszystkich wersji językowych.