Muse Voice流式最终转录第一
Meta发布了Muse Voice Transcribe，在AA-WER Streaming的Final Transcript准确率榜单上位居第一，在语音结束后0.16秒达到3.1%的WER。

Muse Voice Transcribe是Meta Superintelligence Labs开发的首个流式语音转文本模型。Meta表示该模型训练数据覆盖超过70种语言，其中25种经过充分验证，并支持超过一小时的音频输入而无需后处理。它以80毫秒为单位处理音频，可通过Meta Model API、Meta AI for Mac和Muse Code使用。

要点
➤ Final Transcript：Muse Voice Transcribe在语音结束后0.16秒达到3.1%的WER。相比Cartesia Ink-2（semantic endpoints）的3.4%和0.43秒，Muse更准确也更快；相比Cartesia Ink-2（external endpoints）的4.0%和0.07秒，Muse更准确但更慢。相比ElevenLabs Scribe v2 Realtime的3.6%和0.14秒，Muse也更准确，但速度略慢。
➤ First Partial Transcript：该模型在0.13秒时达到3.6%的WER，在准确率和延迟上都略优于ElevenLabs Scribe v2 Realtime。相比Cartesia Ink-2（semantic endpoints）的4.9%和0.17秒，Muse更准确也更快；相比Cartesia Ink-2（external endpoints）的4.0%和0.07秒，Muse更准确但更慢。
➤ 价格：Muse Voice Transcribe每小时收费0.18美元，即每1000分钟3美元。低于Cartesia Ink-2的4美元，也不到ElevenLabs Scribe v2 Realtime和Deepgram Flux（均为6.50美元）的一半。

继续滑动查看完整内容。
Meta MuseVoiceTranscribe 语音转文本