Meta: Muse Voice Transcribe 1.0

Meta: Muse Voice Transcribe 1.0 to model zamiany mowy na tekst od Meta. Należy do kategorii transkrypcji i jest jedynym modelem w tej rodzinie wymienionym tutaj w ramach dostawcy Meta. Meta udostępniła go 11 września 2026. Jeśli budujesz cokolwiek, co musi zamieniać mowę na tekst pisany, to jest model, który dostawca pozycjonuje do tego zadania.

Model przyjmuje dźwięk jako dane wejściowe i zwraca transkrypcję jako dane wyjściowe. Jest to model synchroniczny, co oznacza, że przetwarza żądanie i zwraca wynik w tym samym wywołaniu, a nie przez asynchroniczne zadanie, które później odpytujesz. Meta opisuje go jako odpowiedni do push-to-talk, wykrywania końca wypowiedzi i transkrypcji z rozpoznawaniem mówcy. Obsługuje także stronniczość słów kluczowych dla terminów dziedzinowych oraz stronniczość językową. Długość kontekstu nie jest podana w dostępnych tutaj faktach, a maksymalne dane wyjściowe są wymienione jako zero, więc długość danych wyjściowych traktuj jako coś do zweryfikowania na własnym obciążeniu, a nie jako założenie.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Push-to-talk pasuje do interfejsów głosowych, w których użytkownik przytrzymuje kontrolkę, mówi i oczekuje natychmiastowego tekstu z powrotem. Wykrywanie końca wypowiedzi pasuje do strumieni dźwięku na żywo, w których model musi zdecydować, kiedy mówca skończył wypowiedź, co ma znaczenie dla przejmowania tur w asystentach głosowych i narzędziach do spotkań. Transkrypcja z rozpoznawaniem mówcy pasuje do nagrań z więcej niż jednym uczestnikiem, w których chcesz wiedzieć, kto co powiedział. Stronniczość słów kluczowych jest przydatna, gdy dźwięk zawiera nazwy produktów, wewnętrzny żargon lub inne terminy, które ogólny model usłyszałby błędnie, a stronniczość językowa pomaga, gdy znasz język z góry.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "meta/muse-voice-transcribe-1.0". Ponieważ interfejs jest zgodny z formatem OpenAI, możesz skierować istniejącego klienta OpenAI na bazowy adres URL api14 i wysłać dźwięk w żądaniu, zamiast przepisywać integrację wokół SDK specyficznego dla dostawcy. Fakty nie wymieniają żadnych obsługiwanych parametrów dla tego modelu, więc nie zakładaj, że możesz przekazać temperature, top_p lub podobne kontrolki próbkowania. Sprawdź aktualną stronę modelu, zanim polegasz na jakimkolwiek opcjonalnym polu.

Jest kilka powodów, by poszukać gdzie indziej. Model przyjmuje tylko dźwięk, więc jeśli twoje dane wejściowe to tekst, obrazy lub dokumenty, nie jest właściwym wyborem. Tworzy tylko transkrypcje, więc nie będzie streszczał, tłumaczył ani odpowiadał na pytania o treść dźwięku. Jeśli potrzebujesz takich zachowań, połącz ten model z modelem tekstowym albo wybierz model, którego modalności wejściowe i wyjściowe pasują do twojego zadania.