Meta Superintelligence Labs เปิดตัวโมเดลเสียงแบบเรียลไทม์ Muse Voice Transcribe
Introducing Muse Voice Transcribe
Meta Superintelligence Labs เปิดตัว Muse Voice Transcribe โมเดลรับรู้เสียงแบบเรียลไทม์ตัวแรกของบริษัท ซึ่งทำงาน ASR แบบสตรีมมิ่ง การแยกผู้พูด (diarization) สำหรับผู้พูด 20+ คน และการตรวจจุดสิ้นสุด (endpointing) โมเดล autoregressive จากตระกูล Muse Spark นี้ประมวลผลเสียงเป็นชิ้นละ 80ms และใช้ reinforcement learning เพื่อปรับสมดุลระหว่างความแม่นยำกับความหน่วงอย่างยืดหยุ่น โดยฝึกบนภาษา 70+ ภาษา ซึ่งมี 25 ภาษาที่ผ่านการตรวจสอบอย่างละเอียด Meta ระบุว่าโมเดลนี้อยู่ในอันดับหนึ่งบน Artificial Analysis สำหรับการถอดเสียงพูดเป็นข้อความแบบสตรีมมิ่ง และบนเกณฑ์มาตรฐานการแยกผู้พูดแบบสาธารณะ ณ วันที่ 1 กันยายน 2026
Meta Superintelligence Labs อธิบายรายละเอียดว่าโมเดลรับรู้เสียงแบบเรียลไทม์ตัวแรกจัดการกับ ASR แบบสตรีมมิ่ง การแยกผู้พูด 20+ คน และการสลับภาษาได้อย่างไร พร้อมตัวเลือกการออกแบบระดับโทเคนที่น่าศึกษา
แหล่งข่าว:Meta AI Research Blog · research.meta.ai