据 Meta 官方公告，Meta Superintelligence Labs 发布 Muse Voice Transcribe 模型。该模型将实时语音转文字、说话人区分和语音端点检测整合于单一模型，最长可处理超过 1 小时音频并区分 20 多个说话人。在 Artificial Analysis 的英文实时转写测试中，其词错误率（WER）为 3.1%，低于 GPT Live Transcribe 的 3.9% 和 Gemini 3.5 Transcribe Live 的 4.0%。

模型在说话结束后约 0.16 秒即可输出最终文本，采用动态等待策略：每次读取 80ms 音频，自行决定继续监听或输出，简单词更快输出，难词则等待更多上下文。Meta 使用强化学习同时优化准确率和延迟。模型基于 70 多种语言训练，其中 25 种已重点验证，并支持中英文混说识别。目前 Muse Voice Transcribe 已接入 Meta AI for Mac 和 Muse Code，同时开放 Meta Model API，定价为每 1000 分钟 3 美元（每小时 0.18 美元）。