Компания Meta представила Muse Voice Transcribe — модель для потоковой транскрибации, которая обрабатывает аудиофрагменты по 80 миллисекунд. Система динамически регулирует время ожидания для каждого слова в зависимости от сложности, что, по заявлению разработчиков, позволяет балансировать между точностью и задержкой. Модель способна одновременно различать более 20 спикеров и поддерживает более 70 языков, включая переключение между ними в ходе одной фразы. Согласно независимой оценке Artificial Analysis, модель демонстрирует уровень ошибок (WER) в 3,1% для английского языка с задержкой в 0,16 секунды. Meta позиционирует новинку как основу для будущих персональных ИИ-агентов, работающих через носимые устройства, такие как умные очки. Модель уже доступна через Meta Model API по цене 0,18 доллара за час аудио, что, по данным компании, является одним из самых низких показателей на рынке. Веса модели не раскрываются, а технические параметры, такие как количество параметров и объем данных обучения, остаются неизвестными.