Meta заняла первое место в живой расшифровке речи: Muse Voice Transcribe ошибается в 3,1% слов

За этим стоит muse-voice-transcribe-1.0, первая модель Meta Superintelligence Labs, которая слышит звук в реальном времени. Meta показала её 1 сентября, и она же диктует в Muse Code.

Живой звук перестал быть сборной конструкцией. Раньше расшифровку, разметку говорящих и определение конца фразы вешали на разные модели, а кто где говорил, досчитывали уже после записи. Теперь всё это тянет одна.

Замер точности. На бенчмарке Artificial Analysis AA-WER Streaming модель ошибается в 3,1% слов и отдаёт финальную расшифровку через 0,16 секунды после конца речи. Это первое место, у ближайшего преследователя ElevenLabs Scribe v2 Realtime 3,6%.

Средняя ошибка разметки говорящих на публичных бенчмарках 17,5%, тоже первое место. Модель держит 20+ голосов и записи длиннее часа без отдельной пост-обработки.

Как включить. Ключ заводится на dev.meta.ai, поток идёт по WebSocket на api.meta.ai, первый JSON-фрейм — handshake в первые 10 секунд после коннекта. Готовый файл до 32 МБ и 10 минут аудио уходит одним POST. Свой клиент OpenAI SDK переписывать не нужно: Meta Model API принимает его как есть, а в cookbook Meta обещает рабочий запрос за пять минут.

Точность подкручивается двумя полями handshake. В languageBias кладут список языков, в keywords — словарь имён продуктов и аббревиатур вроде «Acme Mobile» и «eSIM». Режим DIARIZATION добавляет метки говорящих A и B.

Час аудио стоит $0,18, за 1000 минут Meta берёт $3. Одновременно API держит 8 стримов, за час пропускает 1000 и режет сессию на 60 минутах.