Meta ha appena alzato l’asticella nel riconoscimento vocale in tempo reale con Muse Voice Transcribe, un modello sviluppato dai Meta Superintelligence Labs. Non si tratta solo di un semplice trascrittore: è un sistema multimodale autoregressivo della famiglia Muse Spark, capace di elaborare l’audio a blocchi di 80 millisecondi e decidere parola per parola quando è il momento di trascrivere. Vediamo cosa cambia per voi.
Segui TuttoAndroid su Google Discover
Streaming ASR con delay adattivo
Il cuore di Muse Voice Transcribe è un meccanismo di streaming che processa l’audio in chunk da 80 ms (12,5 Hz), convertendo ciascun blocco in un singolo soft token. Per ogni chunk, il modello sceglie se continuare ad ascoltare o emettere un token di testo: se continua, produce <|next_audio|>, che viene poi sostituito dal chunk audio effettivo per l’input successivo. Quando il flusso audio termina, un token <|empty_audio|> segnala al modello di non aspettarsi altri chunk, e il sistema rilascia i token di testo rimanenti senza ulteriori attese.
La vera innovazione è il delay adattivo: il modello controlla quanto contesto audio accumulare prima di trascrivere ogni parola, bilanciando accuratezza e latenza. Meta ha implementato un reinforcement learning che combina un reward sul word error rate (WER) e un reward sul ritardo, moltiplicandoli tra loro. Il risultato? Il modello attende più a lungo sulle parole difficili e si impegna subito su quelle facili, raggiungendo la cosiddetta frontiera di Pareto tra velocità e precisione, misurata dal tempo fino alla trascrizione finale.
Secondo i benchmark interni, su Artificial Analysis AA-WER Streaming Muse Voice Transcribe raggiunge un WER del 3,1% sul trascritto finale a soli 0,16 secondi dalla fine del parlato. Per confronto, Cartesia Ink-2 si ferma al 3,4% a 0,43 secondi, ElevenLabs Scribe v2 Realtime al 3,6% a 0,14 secondi, mentre Cartesia Ink-2 con endpoint esterni è il più veloce (0,07 s) ma meno preciso (4,0%).
Diarizzazione, endpointing e supporto multilingua
Muse Voice Transcribe integra nativamente speaker diarization e endpointing nel flusso ASR. Per la diarizzazione, usa due token speciali: <|start_of_turn|> per segnalare un cambio di parlante e <|speaker_{A-Z}|> per identificare chi parla. Il modello può gestire oltre 20 parlanti simultaneamente, senza necessità di post-elaborazione. Per l’endpointing, i token <|speech_onset|> e <|speech_endpoint|> marcano rispettivamente l’inizio e la fine dell’intervento vocale. Meta addestra diarizzazione ed endpointing insieme all’ASR, aggiungendo reward separati per ciascun compito sopra il reward principale.
Sul fronte linguistico, il modello è stato addestrato su oltre 70 lingue, di cui 25 ampiamente verificate per il rilascio iniziale. Supporta il code-switching arbitrario, anche all’interno della stessa frase, e include funzionalità di language biasing, keyword biasing e context biasing. Meta sottolinea che il context biasing migliora ulteriormente l’accuratezza per il parlato con code-switching. Inoltre, Muse Voice Transcribe gestisce file audio di durata superiore a un’ora senza problemi.
Disponibilità, prezzi e contesto competitivo
Muse Voice Transcribe è disponibile sin da oggi attraverso la Meta Model API con il nome muse-voice-transcribe-1.0 al prezzo di $3,00 per 1.000 minuti audio (circa $0,18 all’ora). Al cambio, corrispondono a circa €2,75 per 1.000 minuti, ma Meta non ha ancora comunicato prezzi ufficiali in euro. Non sono stati rilasciati i pesi del modello, quindi non esiste un percorso di self-hosting.
La release arriva meno di una settimana dopo che Google ha introdotto Gemini 3.5 Transcribe, un modello audio con capacità simili. OpenAI ha fissato lo standard con Whisper per la qualità open-source, mentre Google Chirp alimenta il riconoscimento vocale sulla sua piattaforma cloud. Startup come AssemblyAI e Deepgram hanno costruito intere attività attorno alle API di trascrizione in tempo reale con identificazione del parlante. Meta si inserisce in questo panorama con un modello che, secondo i benchmark, si classifica primo su Artificial Analysis per streaming speech-to-text e sui benchmark pubblici di diarizzazione, con un tasso di errore di diarizzazione medio del 17,5% (contro il 21,1%-28,6% degli altri sistemi).
L’integrazione è già attiva nell’app Meta AI per Mac: basta tenere premuto il tasto Fn per dettare in qualsiasi applicazione del sistema. Meta si trova così a competere con Apple sulla stessa piattaforma macOS, un posizionamento che segnala quanto seriamente l’azienda stia affrontando la gara degli assistenti desktop. Muse Voice Transcribe alimenta anche la dettatura vocale in Meta AI e Muse Code, e può essere usato con qualsiasi finestra o applicazione sullo schermo.