2026年9月1日，Meta公司正式推出Muse Voice Transcribe——其首个实时音频感知模型。该模型支持流式语音识别、说话人分离与端点检测，可在用户说话过程中同步输出文字，延迟低至毫秒级。开发者可通过Meta Model API调用，定价为每1000分钟音频3美元（约20.2元人民币）。模型覆盖70余种语言，25种已验证，支持超1小时音频及多语种自然切换，并采用自适应延迟机制动态平衡速度与准确率。Meta称其当前位居Artificial Analysis流式语音转文本排行榜首位。