Meta представила свою первую модель для расшифровки речи в реальном времени

Meta* представила Muse Voice Transcribe — свою первую модель для работы с аудио в реальном времени. По словам компании, система умеет распознавать диктовку и расшифровывать речь более чем 20 спикеров, а также одновременно работать с несколькими языками, а опробовать её можно в новой версии Meta AI для Mac.

модель рассчитана не только на обычную расшифровку речи, но и на более сложные сценарии, где в одном аудиопотоке участвуют несколько человек или используются разные языки. Это может быть полезно для расшифровки встреч, интервью, подкастов и других разговоров, происходящих практически без задержки. Разработчики также уточняют, что Mac-приложение может поддерживать голосовые функции в других приложениях. Кроме того, Muse Voice Transcribe доступна разработчикам через Muse Code и Meta Model API, а в исследовательском блоге Meta есть демоверсия Muse Transcribe.

Meta позиционирует модель как инструмент, который способен работать непосредственно во время разговора, а не только обрабатывать уже записанный аудиофайл. При этом система должна учитывать контекст произносимых слов и самостоятельно выбирать подходящий момент для выдачи результата, что позволяет найти баланс между скоростью и точностью распознавания. Отдельно Meta назвала цену модели — 3 доллара за 1000 аудиоминут.

Именно адаптивная задержка является одной из особенностей Muse Voice Transcribe: модель не пытается обрабатывать каждое слово с одинаковой скоростью, а динамически меняет время ожидания в зависимости от сложности распознаваемой речи.

А вы бы стали пользоваться такой системой для расшифровки разговоров, встреч или интервью в реальном времени, если она действительно будет работать без заметных задержек?

*Meta признана экстремисткой организацией в РФ