Meta lança Muse Voice Transcribe, seu primeiro modelo de áudio em tempo real

O lançamento

A Meta Superintelligence Labs apresentou o Muse Voice Transcribe, descrito pela empresa como seu primeiro modelo de percepção de áudio em tempo real. O modelo faz streaming de ASR (reconhecimento de fala), diarização (identificação de quem está falando, com suporte a 20 ou mais falantes) e endpointing (detecção do fim da fala) ao mesmo tempo em que transcreve.

Segundo a Meta, o modelo ocupa o primeiro lugar no Artificial Analysis em streaming speech-to-text e em benchmarks públicos de diarização, com classificação referente a 1º de setembro de 2026. A empresa publica uma demonstração interativa no próprio anúncio, em que o áudio captado pelo microfone do usuário é processado para gerar a transcrição - a empresa avisa que o áudio não é armazenado e que transcrições geradas por IA podem conter erros.

Como o modelo funciona

O Muse Voice Transcribe é um modelo multimodal autoregressivo da família Muse Spark. O áudio é processado em blocos de 80 ms (12,5 Hz), cada um convertido em um único soft token. A cada bloco, o modelo decide entre continuar escutando - emitindo um token especial <|next_audio|>, substituído pelo próximo bloco de áudio - ou produzir um token de texto. Quando o fluxo de áudio termina, um token <|empty_audio|> sinaliza que não há mais áudio, e o modelo emite os tokens de texto restantes.

Como o modelo controla quando escutar, ele define quanto contexto de áudio esperar antes de transcrever cada palavra - o que a Meta chama de "delay". Há uma troca entre precisão e latência: esperar mais gera transcrições mais precisas, mas com maior atraso. O modelo usa "delay adaptativo", ajustando dinamicamente esse atraso por palavra conforme a dificuldade, treinado com aprendizado por reforço em que a recompensa de taxa de erro por palavra (WER) e a recompensa de delay são combinadas multiplicativamente. Com isso, a empresa afirma que o modelo atinge a fronteira de Pareto no equilíbrio entre velocidade e precisão, medido pelo tempo até a transcrição final.

Diarização e endpointing

Com o ASR em streaming como base, as demais tarefas são adicionadas por meio de tokens especiais. Para diarização, um token <|start_of_turn|> marca uma possível troca de falante e uma etiqueta <|speaker_{A-Z}|> diferencia quem fala; o início da troca é previsto imediatamente, e a etiqueta do falante é prevista ao final do bloco. Para endpointing, tokens <|speech_onset|> e <|speech_endpoint|> marcam o início e o fim da fala do usuário. As duas tarefas são treinadas junto com o ASR em streaming, com recompensas adicionais somadas à recompensa de ASR.

Capacidades e idiomas

O modelo foi treinado com mais de 70 idiomas, dos quais 25 são extensivamente verificados; na versão inicial, a Meta recomenda os 25 idiomas validados (entre eles chinês, francês, hindi, japonês, espanhol e vietnamita), com suporte adicional também disponível. O modelo suporta code-switching arbitrário, dentro e entre frases, e usa context biasing (viés por idioma, palavras-chave e contexto) para melhorar o reconhecimento de nomes e termos do universo do usuário. Ele também aceita entradas de áudio longo, acima de uma hora e com 20 ou mais falantes, sem pós-processamento - demonstrado com uma gravação de cerca de uma hora e múltiplos falantes.

Encaixe na visão da Meta

O anúncio conecta o modelo ao argumento de Mark Zuckerberg sobre superinteligência pessoal: a questão não seria se a superinteligência existirá, mas quem terá acesso a ela. Na estrutura apresentada - três ideias de que o empoderamento individual impulsiona a prosperidade, que a invenção é o propósito principal e que o equilíbrio de poder é a base da segurança - o ASR aparece como fundamento. Para que a superinteligência seja pessoal, o modelo precisaria escutar como um humano em conversas reais, em óculos de IA, e não apenas responder comandos de voz. Exemplos dados incluem reconhecer code-switching dentro de uma mesma frase e entender nomes como Meta, Muse ou Menlo Park por meio do context biasing.