中英混说1小时不卡壳，Meta实时语音转写模型如何炼成

Meta近日推出首个实时音频感知模型Muse Voice Transcribe，由超级智能实验室开发。该模型提供实时流式自动语音识别（ASR），支持超过20位说话人的语音分割及端点控制，可处理超1小时长音频，并实现无缝语码切换。官方示例显示，其对中文、中式英语及中英混说的转写速度和效果俱佳，堪称“中英混说1小时无压力”。

从独立工具到实时感知层

语音转写正从独立工具演变为AI系统的实时感知层。Meta此次发布的Muse Voice Transcribe，正是这一趋势的典型代表。该模型在Artificial Analysis流式语音转文本和公开语音分割基准测试中排名第一（截至2026年近日），可通过Meta Model API、Mac版Meta AI和Muse Code使用，API定价为每1000分钟3美元（约合人民币20元）。

模型已使用70多种语言训练，其中25种语言经全面验证，初始版本建议用户试用这25种语言。其原生支持任意语码转换，利用上下文信息提高准确率，并支持超1小时长音频和20位以上说话者，无需后处理。Meta AI和Muse Code的语音听写功能可一键调用该模型，用户按住“Fn”键即可与屏幕上的任何窗口配合使用。

技术内核：80ms音频片段与自适应延迟

技术上，Muse Voice Transcribe是Muse Spark系列的自回归多模态模型。音频以80ms为单位处理，每个片段转换为软token，模型决定继续监听或输出文本token。音频流停止时插入特殊token告知模型，模型随即输出剩余文本。模型通过强化学习实现“自适应延迟”，根据单词难度动态调整等待时间，在词错误率和延迟间实现帕累托最优。

基于流式ASR，模型引入特殊token支持说话人分割和端点检测。说话人切换时预测<|start_of_turn|>token，并用<|speaker_{A-Z}|>区分说话人；语音开始和结束分别由<|speech_onset|>和<|speech_endpoint|>标记。Meta使用流式ASR联合训练这些任务，并增加额外奖励信号。

多语言与长音频的实战表现

在官方示例中，模型对中文、中式英语及中英混说的转写表现出色。例如，当说话人用中文夹杂英文单词或短语时，模型能准确识别并输出对应文本，且延迟极低。这得益于其原生支持任意语码转换的能力，以及利用上下文信息提高准确率的设计。对于超过1小时的长音频，模型无需分段处理，可一次性完成转写，并准确区分20位以上的说话人。

未来竞争：低延迟与多说话人理解

Meta此次发布的模型，标志着语音转写技术进入新阶段。未来竞争将聚焦低延迟、长上下文、多说话人、多语言及语境理解，并最终与大模型推理、记忆和工具调用融合，使系统不仅“听见”，还能理解谁在说、何时说完及上下文关联。Muse Voice Transcribe的推出，为这一融合提供了基础能力，也让实时语音交互的想象空间进一步打开。