Meta julkaisee Muse Voice Transcribe -teknologian puheen tekstiksi muuntamiseen

Meta on tuonut markkinoille Muse Voice Transcribe -mallin, joka kilpailee reaaliaikaisen puheentunnistuksen markkinoilla. Uusi malli yhdistää suoratoisteisen transkription, puheen lopetusdetektion ja puhujien erottelun yli 20 puhujalle. Hinta on 0,18 dollaria tunnissa käsitellystä äänestä.

Muse on kehitetty Meta Superintelligence Labsin toimesta ja se on suunniteltu prosessoimaan puhetta sen tapahtuessa sen sijaan, että odotettaisiin äänitteen valmistumista. Meta ilmoittaa mallin tukevan pitkiä, yli tunnin äänitteitä, saumatonta monikielistä koodinvaihtoa, kielivalintoja ja puhujien erottelua ilman erillisiä jälkikäsittelyprosesseja. Malli on koulutettu yli 70 kielellä, joista 25 on validoitu perusteellisesti ensimmäistä julkaisua varten.

Vaikka 20 puhujan raja on merkittävä, se ei ole alan ennätys. Kilpailevat palvelut, kuten Speechmatics, tarjoavat korkeampia rajoja, jopa 100 puhujan tunnistusta. Amazon Transcribe tukee enintään 30 puhujaa. Muse kuitenkin tarjoaa yhdistelmän korkeaa puhujakapasiteettia, matalaa latenssia, monikielisyyttä ja kilpailukykyistä hinnoittelua samassa mallissa.

Tämä yhdistelmä voi olla merkittävä yrityskehittäjille, jotka rakentavat kokousjärjestelmiä, puheluanalytiikkaa tai muita tekoälysovelluksia. Puhujien erottelu on kriittistä, kun transkriptioita syötetään jatkojärjestelmiin, sillä väärin kohdistettu puhe voi johtaa virheellisiin tietoihin esimerkiksi kokousmuistioissa tai asiakaspalveluanalytiikassa.

Muse hinnoitellaan kilpailukykyisesti 0,18 dollarilla tunnissa, mikä tekee siitä houkuttelevan vaihtoehdon yrityksille. Meta korostaa, että hinnoittelu koskee vain todellista prosessoitua ääntä, ja se on sama niin suoratoistolle kuin ei-suoratoistollekin.