Meta: Muse Voice Transcribe 1.0

Meta: Muse Voice Transcribe 1.0 är en tal-till-text-modell från Meta. Den tillhör kategorin transkribering och är den enda modellen i den familjen som listas här under leverantören Meta. Meta släppte den 11 september 2026. Om du bygger något som behöver omvandla talat ljud till skriven text är detta modellen som leverantören positionerar för den uppgiften.

Modellen tar ljud som indata och returnerar en transkribering som utdata. Det är en synkron modell, vilket innebär att den behandlar en begäran och returnerar resultatet inom samma anrop i stället för via ett asynkront jobb som du senare hämtar. Meta beskriver den som lämplig för push-to-talk, endpointing och talarmedveten transkribering. Den stöder också nyckelordsbias för domäntermer och språkbias. Kontextlängden publiceras inte i de fakta som finns här, och maximal utdata anges som noll, så behandla utdatalängden som något du bör verifiera mot din egen arbetsbelastning i stället för att anta.

Dessa funktioner pekar mot en ganska specifik uppsättning användningsområden. Push-to-talk passar röstgränssnitt där en användare håller in en kontroll, talar och förväntar sig text tillbaka omedelbart. Endpointing passar live-ljudströmmar där modellen behöver avgöra när en talare har avslutat ett yttrande, vilket är viktigt för turtagning i röstassistenter och mötesverktyg. Talarmedveten transkribering passar inspelningar med mer än en deltagare, där du vill veta vem som sade vad. Nyckelordsbias är användbart när ditt ljud innehåller produktnamn, intern jargong eller andra termer som en allmän modell skulle höra fel, och språkbias hjälper när du känner till språket i förväg.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "meta/muse-voice-transcribe-1.0". Eftersom gränssnittet följer OpenAI-formatet kan du peka en befintlig OpenAI-klient mot api14:s bas-URL och skicka ljud i begäran i stället för att skriva om din integration kring ett leverantörsspecifikt SDK. Fakta listar inga parametrar som stöds för denna modell, så anta inte att du kan skicka temperature, top_p eller liknande samplingskontroller. Kontrollera den aktuella modellsidan innan du förlitar dig på något valfritt fält.

Det finns ett par skäl att leta någon annanstans. Modellen accepterar bara ljud, så om din indata är text, bilder eller dokument är den inte rätt val. Den producerar bara transkriberingar, så den kommer inte att sammanfatta, översätta eller svara på frågor om ljudinnehållet. Om du behöver dessa beteenden kan du kombinera denna modell med en textmodell, eller välja en modell vars indata- och utdatamodaliteter matchar din uppgift.