¿Qué ocurrió?
Meta Superintelligence Labs ha publicado su primer modelo de percepción de audio en tiempo real: Muse Voice Transcribe. Durante una conversación en vivo transcribe el habla, distingue a los hablantes y detecta los límites de las frases, todo en un mismo modelo y sin sistemas separados.
El modelo, de la familia Spark, divide el audio entrante en fragmentos de 80 milisegundos. Tras cada uno decide si seguir escuchando o emitir la siguiente palabra como texto.
Un tiempo de espera por palabra
El equilibrio es el de siempre: esperar más mejora la precisión pero alarga el retardo. Muse Voice Transcribe ajusta la espera palabra por palabra, según su dificultad: las fáciles salen rápido y las difíciles reciben más tiempo de escucha. Meta entrenó esta conducta con aprendizaje por refuerzo, premiando al mismo tiempo una tasa de error baja y un retardo corto.
La separación de hablantes y la detección de frases viven dentro del mismo modelo, entrenadas junto al reconocimiento del habla. Marca los cambios de hablante en el texto y etiqueta cada pasaje con un identificador de la A a la Z; puede distinguir más de 20 hablantes a la vez y procesar grabaciones de más de una hora sin postprocesado.
¿Qué dice la medición independiente?
Una evaluación independiente de Artificial Analysis confirma lo que afirma Meta. En inglés alcanza un 3,1 por ciento de tasa de error por palabra a los 0,16 segundos de que el hablante calla:
| Modelo | Tasa de error por palabra | Retardo |
|---|---|---|
| Muse Voice Transcribe | 3,1 % | 0,16 s |
| ElevenLabs Scribe v2 Realtime | 3,6 % | 0,14 s |
| Cartesia Ink-2 | 3,4 % – 4,0 % | — |
| AssemblyAI Universal-3.5 Pro | 4,0 % | — |
El modelo se entrenó con más de 70 idiomas, 25 de ellos probados a fondo. También maneja el cambio de código, cuando el hablante salta entre dos idiomas a mitad de frase.
El precio vuelve a ser el arma
Meta se coloca por debajo del sector: 0,18 dólares por hora, o 3 dólares por cada 1.000 minutos de audio. Cartesia Ink-2 cobra 4 dólares por el mismo trabajo, y ElevenLabs Scribe v2 Realtime y Deepgram Flux piden 6,50 cada uno. Es la continuación del patrón visto con Muse Spark 1.1 y 1.2: Meta compite en precio y no en rendimiento máximo.
La compañía no ha revelado el número de parámetros del modelo, el volumen de datos de entrenamiento ni las fuentes del audio, y tampoco publica los pesos.
El asunto de fondo: un asistente que nunca deja de escuchar
Meta vincula el lanzamiento directamente a la visión de "superinteligencia personal" de Mark Zuckerberg. En una demostración preparada, sus empleados sostienen que un reconocimiento de voz fiable es la base de los agentes personales que escuchan conversaciones reales a través de gafas con IA.
La frase plantea la pregunta por sí sola: un modelo capaz de separar a 20 hablantes, funcionar horas sin interrupción y costar 0,18 dólares la hora es tanto un logro técnico como un sustrato de vigilancia. Uno de los hablantes que separa puede no haber dado su consentimiento: no todos los que están en la sala llevan las gafas. En Alemania se debatió hace poco prohibir las gafas con cámara de Meta, aunque la Agencia Federal de Redes decidió no seguir adelante.
Disponibilidad
Muse Voice Transcribe alimenta ya el dictado por voz en Meta AI y Muse Code, y está disponible a través de la Meta Model API. Se puede probar manteniendo pulsada la tecla "Fn" en cualquier aplicación.