Meta推出实时音频感知模型Muse Voice

2026年9月，Meta推出首个实时音频感知模型Muse Voice Transcribe，把语音转写从传统的「识别文字」推进到「理解声音场景」。据公开报道，该模型支持20多种语言区分与多人声纹区分转录，定价约每1000分钟3美元（折合约每小时0.18美元），以极低价格把实时转写能力推向普通开发者和企业。

一、它到底解决了什么问题

过去语音识别（ASR）只负责把声音变成文字，会议摘要、客服质检、访谈整理仍需人工二次处理。Muse Voice Transcribe把「音频感知」和大模型能力边界打通，可直接输出结构化结果。

• 支持20多种语言自动区分，跨国会议无需逐段切换。
• 支持20多人声纹区分转录，谁说了什么一目了然。
• 实时转写延迟低，可按分钟计费接入业务系统。
• 价格压到约每小时0.18美元，让中小团队也用得起。

为什么价格能打到这么低

音频感知模型把转写做成端到端的大模型任务，省去传统ASR的级联模块，单位算力成本大幅下降。这与国内大模型API价格持续走低、AI应用进入「性价比竞争」阶段的方向一致。

二、行业影响：实时转录成新入口

实时转写直接把会议摘要、客服质检、访谈整理的自动化程度提升了一个台阶。价格低到可按分钟接入，意味着它不是大厂的专属玩具，而是千行百业都能用的基础设施。

FAQ

Q1：Muse Voice Transcribe是做什么的？

它是Meta推出的首个实时音频感知模型，主打实时语音转写，能在多人、多语言场景下区分说话人并输出结构化文字结果。

Q2：它的价格大概是多少？

据公开报道，定价约每1000分钟3美元，折合约每小时0.18美元，属于当前市场上极低水平的实时转写价格。

Q3：和国内AI终端进展有什么关系？

实时音频感知是AI终端的重要能力。同期国内AI手机、机器人手机等产品加速落地，音频感知模型与终端原生AI形成呼应，推动AI从云端走向设备侧。

Q4：普通企业现在能用上吗？

按分钟计费、低单价的模式降低了使用门槛，会议、客服、教育、媒体等需要大量转写的行业都可以就近接入，把人力从重复整理中解放出来。