A Meta lançou o Muse Voice Transcribe, seu primeiro modelo de inteligência artificial (IA) voltado à percepção de áudio em tempo real. Este modelo é capaz de transcrever conversas em tempo real, distinguir quem está falando e lidar com múltiplos participantes simultaneamente.
Reconhecimento Automático de Fala (ASR)
O Muse Voice Transcribe é capaz de processar o áudio em blocos de 80 milissegundos. A cada novo trecho, o modelo decide se deve continuar ouvindo ou começar a produzir o texto. Isso é conhecido como "atraso adaptativo", onde a IA pode esperar um pouco mais quando encontra uma palavra difícil e produzir a transcrição mais rapidamente quando identifica uma palavra simples. Essa estratégia busca equilibrar velocidade e precisão.
Identificação de Participantes
O modelo também é capaz de identificar múltiplos participantes em uma conversa, conhecido como speaker diarization. Isso permite que o sistema associe corretamente as falas a cada participante.
Transcrição Multilíngue
O Muse Voice Transcribe foi treinado com mais de 70 idiomas, sendo que 25 foram amplamente validados para o lançamento. Isso permite que o modelo transcreva conversas em múltiplos idiomas em tempo real.
Reconhecimento de Code-Switching
Uma das características mais interessantes do Muse Voice Transcribe é a capacidade de realizar o chamado code-switching, quando uma pessoa alterna entre idiomas durante uma conversa. A tecnologia consegue reconhecer essa mudança mesmo no meio de uma frase.
Demonstração de Funcionamento
Em uma demonstração divulgada pela Meta, o Muse Voice Transcribe conseguiu identificar e associar corretamente as falas de oito pessoas conversando simultaneamente.
Recursos e Aplicações
O Muse Voice Transcribe já está sendo utilizado para recursos de ditado no aplicativo Meta AI para Mac. Além disso, a tecnologia também está disponível para desenvolvedores por meio do Muse Code e da API de modelos da Meta. O acesso custa US$ 3 (cerca de R$ 15,50) por mil minutos de áudio.
Comparação com Outros Modelos
O Muse Voice Transcribe chega com foco explícito em combinar transcrição, identificação de múltiplos participantes e processamento multilíngue em tempo real. Isso o diferencia do Gemini 3.5 Transcribe, do Google, que também aposta em recursos avançados de reconhecimento de áudio.
Conclusão
O Muse Voice Transcribe representa um avanço significativo na IA de transcrição de áudio, oferecendo recursos avançados de transcrição em tempo real, identificação de múltiplos participantes e processamento multilíngue. Este modelo é uma importante adição à gama de ferramentas de IA da Meta.