Meta lança modelo de IA para percepção de áudio em tempo real para transcrição com múltiplos falantes

A Meta introduziu o Muse Voice Transcribe, seu primeiro modelo de percepção de áudio em tempo real, capaz de transcrever a fala de mais de 20 falantes simultaneamente. O modelo integra reconhecimento automático de fala em streaming, separação de falantes e detecção de pontos finais, permitindo a saída imediata de texto enquanto os usuários falam. Os desenvolvedores podem acessar o modelo através da API do Modelo da Meta, com preços de US$ 3 por 1.000 minutos de áudio, o que equivale a aproximadamente 1,2 yuan por hora. O modelo suporta mais de 70 idiomas, com 25 verificados no lançamento, e pode lidar com áudio com duração superior a uma hora. Também permite a troca de linguagem natural dentro ou entre frases. A Meta afirma que o modelo ocupa o primeiro lugar no benchmark de transcrição de fala em streaming de análise de IA, desde 1º de setembro de 2026. O modelo utiliza um mecanismo de atraso adaptativo para equilibrar o desempenho e a precisão em tempo real, ajustando dinamicamente a quantidade de áudio processada antes de gerar os resultados. Para fala mais clara, o sistema fornece transcrições mais rápidas, enquanto a fala mais complexa ou confusa é processada com contexto adicional. Essa abordagem visa melhorar tanto a velocidade quanto a precisão. A capacidade do modelo de separar falantes e detectar pontos finais de fala o torna adequado para aplicações de transcrição, legendagem de reuniões e chamadas em tempo real.