Meta startet Muse Voice Transcribe für Echtzeit-Sprachtranskription

Meta hat Muse Voice Transcribe auf den Markt gebracht und konkurriert damit im Bereich der Echtzeit-Sprache-zu-Text-Umwandlung. Das neue Modell kombiniert Streaming-Transkription, Endpunkterkennung und Sprecher-Diarisierung für mehr als 20 Sprecher, zu einem Preis von 0,18 US-Dollar pro Stunde bearbeiteten Audios.

Entwickelt von Meta Superintelligence Labs, ist Muse für die Echtzeitverarbeitung konzipiert, anstatt auf die Fertigstellung von Aufnahmen zu warten. Meta gibt an, dass das Modell lange Audioaufnahmen von über einer Stunde unterstützt, nahtlose mehrsprachige Code-Switching, Sprach- und Schlüsselwort-Bias sowie Diarisierung ohne separate Nachbearbeitungspipeline ermöglicht. Das Modell wurde auf über 70 Sprachen trainiert, von denen 25 für die Erstveröffentlichung umfassend validiert wurden.

Obwohl die Kapazität für über 20 Sprecher beträchtlich ist, stellt sie keinen Branchenrekord dar. Konkurrenten wie Speechmatics beanspruchen Unterstützung für bis zu 100 Sprecher, und Amazon Transcribe unterstützt bis zu 30. Muse bietet jedoch eine Kombination aus hochkapazitiver Echtzeit-Diarisierung, geringer Latenz, mehrsprachigen Fähigkeiten und aggressiver API-Preisgestaltung in einem einzigen Modell.

Diese Kombination ist für Unternehmensentwickler, die Meeting-Systeme, Anrufanalysen oder Ambient-KI-Anwendungen erstellen, von Bedeutung. Eine genaue Sprecherzuordnung ist entscheidend, wenn Transkripte in nachgelagerte KI-Systeme eingespeist werden, um Fehlzuordnungen zu verhindern, die Unternehmensaufzeichnungen oder Compliance-Workflows untergraben könnten.

Mit 0,18 US-Dollar pro Stunde bietet Muse eine wettbewerbsfähige Preisstruktur. Meta gibt an, dass dieser Preis für tatsächlich bearbeitetes Audio gilt und für sowohl Streaming- als auch Nicht-Streaming-Transkription gleich ist, wobei die Verarbeitung ohne Datenspeicherung zum gleichen Preis angeboten wird.