📖 AI 总结

Meta Superintelligence Labs发布了Muse Voice Transcribe，这是一款将流式语音识别、说话人分离（支持20+人）和端点检测整合为单一自回归模型的实时音频感知系统。传统语音处理需串联三个独立系统，而该模型通过80毫秒音频块输入和软令牌机制，在统一解码循环中完成听写，无需后处理。模型通过强化学习训练，结合词错误率与延迟的乘法奖励，实现按词难度自适应调整延迟，在准确性与响应速度间取得帕累托最优平衡。目前该模型仅以托管API形式提供，定价为每千分钟3美元，已应用于Meta AI for Mac和Muse Code的听写功能，但未开放权重，无法自托管部署。这一设计简化了语音处理管线，降低了多系统衔接带来的延迟与故障风险。