Meta lanza un modelo de IA de percepción de audio en tiempo real para la transcripción de múltiples oradores

Meta ha presentado Muse Voice Transcribe, su primer modelo de percepción de audio en tiempo real, capaz de transcribir el habla de más de 20 oradores simultáneamente. El modelo integra el reconocimiento automático del habla en streaming, la separación de oradores y la detección de puntos finales, lo que permite obtener texto de forma inmediata a medida que los usuarios hablan. Los desarrolladores pueden acceder al modelo a través de la API de Modelos de Meta, con un precio de 3 dólares por cada 1.000 minutos de audio, lo que equivale a aproximadamente 1,2 yuanes por hora. El modelo admite más de 70 idiomas, con 25 verificados en el lanzamiento, y puede manejar audio de más de una hora. También permite cambiar entre idiomas de forma natural dentro o entre oraciones. Meta afirma que el modelo ocupa el primer lugar en el benchmark de reconocimiento de voz en streaming, según el 1 de septiembre de 2026. El modelo emplea un mecanismo de retardo adaptativo para equilibrar el rendimiento y la precisión en tiempo real, ajustando dinámicamente la cantidad de audio procesada antes de obtener los resultados. Para un habla más clara, el sistema proporciona transcripciones más rápidas, mientras que el habla más compleja o poco clara se procesa con más contexto. Este enfoque tiene como objetivo mejorar tanto la velocidad como la precisión. La capacidad del modelo para separar oradores y detectar puntos finales de habla lo hace adecuado para aplicaciones de transcripción, subtitulado de reuniones y llamadas en tiempo real.