语音赛道这几年不缺「又快又准」的海报。Meta 9 月 1 日丢出的 Muse Voice Transcribe，更像把三件一直分家的活——流式转写、说话人分离、说话端点——焊回同一条自回归 token 流。
官方技术叙事很硬核。模型来自 Muse Spark 家族，音频按 80 毫秒一块（12.5 Hz）变成 soft token；每一步要么继续听（<|next_audio|>），要么吐字。流结束后插入 <|empty_audio|>，把剩余文本倒干净。延迟不再是固定旋钮，而是按词难度用强化学习在 WER 与 delay 之间做乘法权衡的「adaptive delay」。说话人切换用 <|start_of_turn|>，身份用 <|speaker_A|> 一类标签挂在块尾；onset / endpoint 另有专用符号。一小时以上长音频、20+ 说话人，官方称不需要后处理流水线。
榜单与价格决定它会不会进采购单。Meta 称在 Artificial Analysis 流式语音转写榜与公开 diarization 基准上排第一（截至 2026-09-01）。VentureBeat 援引同一套 AA 表：最终转写 WER 约 3.1%，压过 Cartesia Ink-2（3.4%）、ElevenLabs Scribe v2 Realtime（3.6%）、GPT Live Transcribe 与 Grok Speech（约 3.9%）等。标价更刺眼：每小时音频 0.18 美元，流式与非流式同价；对比表里 OpenAI 流式档折算价高出一个数量级。语言覆盖训练超 70 种、首发重点验证 25 种，并强调句内/句间 code-switching 与关键词、上下文偏置。入口是 Meta Model API、Mac 版 Meta AI，以及 Muse Code 的按住 Fn 听写。
判断：这不是「又一个 ASR」，而是把会议/客服/语音代理真正卡住的两件事——谁在说、话说完没有——从插件升格成与转写同训的主任务。0.18 美元/小时会逼厂商重写报价页；但并发流与每小时启动次数的限额（开发者文档草稿里出现过 8 路并发、每小时 1000 次启动一类数字）会决定它能不能撑住呼叫中心。企业该盯三件事：方言与嘈杂会议室的真实 WER、说话人标签在串音下的稳定性，以及 ZDR 档是否真与标准价持平。语音代理栈正在从「先转写再编排」变成「感知层自带回合制」——Meta 这次是把价格刀跟架构刀一起拍下来。
[1][2]