Model audio Meta przyspiesza transkrypcję głosu

Meta zaprezentowała pierwszy model percepcyjny audio działający w czasie rzeczywistym, stworzony przez jednostkę Superintelligence Labs. Technologia o nazwie Muse Voice Transcribe nie tylko zamienia mowę na tekst, ale również rozróżnia mówców i wykrywa granice zdań podczas trwania rozmowy. To krok w stronę asystentów, które potrafią słuchać bez przerwy i właściwie interpretować kontekst wypowiedzi.

Sercem systemu jest przetwarzanie dźwięku w krótkich, 80-milisekundowych fragmentach. Po każdym z nich model podejmuje decyzję – czy kontynuować nasłuchiwanie, czy wygenerować kolejne słowo w formie tekstu. Ten mechanizm kontroluje, ile kontekstu system zbierze, zanim zdecyduje się na ostateczny zapis. Dłuższe czekanie przekłada się na większą precyzję, ale jednocześnie wydłuża czas reakcji.

Adaptacyjne opóźnienie jako klucz do równowagi

Muse Voice Transcribe dynamicznie dopasowuje czas oczekiwania dla każdego słowa osobno, w zależności od poziomu trudności. Proste wyrazy pojawiają się w transkrypcji szybciej, natomiast te bardziej skomplikowane wymagają dłuższego nasłuchu. Takie zachowanie modelu wykształcono za pomocą uczenia przez wzmacnianie, gdzie system nagradzany był zarówno za niski wskaźnik błędów, jak i za krótkie opóźnienia.

To istotna zmiana w porównaniu do tradycyjnych rozwiązań, w których kompromis między szybkością a dokładnością jest zwykle stały. Tutaj sam model ocenia w każdej chwili, ile jeszcze powinien słuchać, co pozwala osiągnąć lepsze rezultaty bez sztucznego spowalniania całego procesu.

Rozpoznawanie mówców bez dodatkowych systemów

Meta zintegrowała pozostałe funkcje bezpośrednio w modelu, rezygnując z osobnych komponentów. Atrybucja mówcy polega na oznaczaniu zmian osoby mówiącej w bieżącym tekście i przypisywaniu każdej wypowiedzi identyfikatora od A do Z. System zaznacza również, gdzie zaczyna się i kończy każda wypowiedź. Oba zadania są trenowane wspólnie z rozpoznawaniem mowy.

Model potrafi jednocześnie rozróżnić ponad 20 mówców i obsłużyć nagrania trwające ponad godzinę bez konieczności post-processingu. W demonstracji z ośmioma osobami w pomieszczeniu system przypisywał słowa do konkretnych uczestników rozmowy w czasie rzeczywistym.

Wielojęzyczność jako atut rynkowy

Muse Voice Transcribe przeszkolono na ponad 70 językach, z czego 25 przetestowano dogłębnie. Model radzi sobie także z code-switchingiem, czyli sytuacją, gdy mówca przełącza się między dwoma językami w trakcie jednego zdania. Podpowiedzi dotyczące języka, słów kluczowych i kontekstu mogą dodatkowo zwiększyć skuteczność, szczególnie w przypadku nazw własnych takich jak „Meta”, „Muse” czy „Menlo Park”.

Niezależne testy Artificial Analysis z 1 września 2026 roku potwierdzają deklaracje Meta. Muse Voice Transcribe osiąga 3,1 procent wskaźnika błędów słownych w języku angielskim w 0,16 sekundy po zakończeniu wypowiedzi. Dla porównania, ElevenLabs Scribe v2 Realtime uzyskuje 3,6 procent przy 0,14 sekundy, a AssemblyAI Universal-3.5 Pro Realtime 4,0 procent. Cartesia Ink-2 osiąga wynik 3,4 lub 4,0 procent w zależności od tego, czy model sam wykrywa końce wypowiedzi, czy polega na zewnętrznym systemie.

Konkurencja w tej dziedzinie jest zacięta. OpenAI wypuściło w maju model GPT-Realtime-Whisper w tym samym celu, a w lipcu obniżyło ceny swoich modeli transkrypcyjnych. Meta wiąże premierę z wizją CEO Marka Zuckerberga dotyczącą „osobistej superinteligencji”. W nagranej demonstracji pracownicy Meta przekonują, że niezawodne rozpoznawanie mowy stanowi fundament dla osobistych agentów AI, którzy nasłuchują rzeczywistych rozmów przez inteligentne okulary. W Niemczech niedawno dyskutowano o zakazie kamer w okularach Meta, choć Federalna Agencja Sieci zdecydowała się nie kontynuować tej sprawy.

Dostępność i strategia cenowa

Muse Voice Transcribe zasila już funkcję dyktowania głosowego w Meta AI oraz Muse Code i jest dostępny przez Meta Model API. Użytkownicy mogą go wypróbować, przytrzymując klawisz „Fn” w dowolnej aplikacji.

Meta celowo konkuruje ceną. Opłata wynosi 0,18 dolara za godzinę, czyli 3 dolary za 1000 minut audio. To znacznie mniej niż u rywali – Cartesia Ink-2 kosztuje 4 dolary, a ElevenLabs Scribe v2 Realtime i Deepgram Flux po 6,50 dolara. To kontynuacja strategii znanej z modeli Muse Spark 1.1 i Muse Spark 1.2, gdzie Meta stawia na przystępność cenową zamiast ścigania się o pierwsze miejsca w rankingach wydajności.

Firma nie ujawniła liczby parametrów modelu, objętości danych treningowych ani źródeł danych audio. Nie udostępnia również wag modelu. Meta zreorganizowała swój dział AI latem 2025 roku pod szyldem Superintelligence Labs, rekrutując czołowych badaczy z OpenAI, Google DeepMind i Apple z pakietami wynagrodzeń sięgającymi 300 milionów dolarów na cztery lata. Nie wszyscy jednak zostali – część wróciła do OpenAI po zaledwie kilku tygodniach.

Premiera Muse Voice Transcribe pokazuje, że wyścig o dominację w transkrypcji mowy na żywo nabiera tempa. Adaptive delay, czyli dynamiczne dostosowywanie czasu nasłuchu, może okazać się kluczową przewagą technologiczną, która przyciągnie deweloperów szukających wydajnych i niedrogich rozwiązań. Jednocześnie brak otwartych wag i ograniczona transparentność pozostawiają pytania o to, jakie dane posłużyły do trenowania modelu. Najbliższe miesiące pokażą, czy strategia cenowa Meta wystarczy, by zagrozić pozycji OpenAI i innym graczom na rynku rozpoznawania mowy.