Meta Superintelligence Labs ogłosił Muse Voice Transcribe, który po raz pierwszy łączy transkrypcję streamingową, diaryzację oraz endpointing w jednym modelu. Tradycyjne stosy do przetwarzania głosu składają się z trzech niezależnych systemów - jeden transkrybuje mowę, drugi rozróżnia mówców, a trzeci wykrywa kiedy użytkownik przestał mówić. Każde przejście między systemami dodaje opóźnienia i wprowadza punkt potencjalnej awarii.
Muse Voice Transcribe to autoregresywny model z rodziny Muse Spark, który przetwarza audio w 80-milisekundowych porcjach przy 12,5 Hz. Każdy fragment jest konwertowany na soft token, a model po każdym chunk'u podejmuje decyzję - czy kontynuować słuchanie poprzez token <|next_audio|>, czy wyemitować token tekstu. Kiedy strumień się kończy, model otrzymuje token <|empty_audio|> i wypuszcza pozostały tekst bez żądania dodatkowego audio. To podejście eliminuje konieczność postprocessingu i pozwala na obsługę diaryzacji dla ponad 20 mówców w jednym przebiegu.
Model jest dostępny wyłącznie jako hosted API na Meta Model API pod nazwą muse-voice-transcribe-1.0 za 3 dolary za 1000 minut audio, czyli około 18 centów za godzinę. Już teraz napędza funkcję dyktatury w Meta AI dla Mac oraz Muse Code. Meta jednak nie opublikowała wag modelu, co oznacza że nie istnieje ścieżka do samodzielnego hostowania. To najprawdopodobniej decyzja biznesowa mająca na celu kontrolę nad usługą oraz monetyzacją, chociaż ogranicza to dostęp dla badaczy i firm pragnących customizować model.