# 影片筆記：Meta Just Broke the Cost of AI Transcription: Muse Voice Transcribe Is Here!


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=2 已先套用暫定修正：Meta Superintelligence Labs hasofficially launched News VoiceTranscribe.This is a brand new audio perception → Meta Superintelligence Labs has officially launched Muse Voice Transcribe. This is a brand new audio perception；segment=4 已先套用暫定修正：The price.Meta is offering this for just 18 centsper hour of processed audio.To put that in perspective, competitors → The price. Meta is offering this for just $0.18 per hour of processed audio. To put that in perspective, competitors）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

## 一句話總結

Meta Superintelligence Labs 發布全新音訊感知模型 **Muse Voice Transcribe**，主打極低價格（每小時 0.18 美元）、高準確率（WER 3.1%）及支援超過 20 人同時對話的即時串流轉錄與說話者分離功能，旨在降低企業開發即時 AI 助手與會議工具的門檻。

## 核心重點

1.  **產品發布**：Meta 正式發布全新音訊感知模型 **Muse Voice Transcribe**。
2.  **核心功能**：
    *   即時串流轉錄（Streaming Transcription）。
    *   多人說話者分離（Speaker Diarization），支援超過 20 人同時對話。
    *   支援超過 70 種語言，包含語碼轉換（Code-switching）。
3.  **技術機制**：
    *   將音訊分割為微小的 80 毫秒區塊（80-millisecond chunks）。
    *   採用「適應性延遲」（Adaptive Delay）技術：若語音混亂則等待片刻，若清晰則立即提交，以處理混亂語音。
4.  **市場競爭力**：
    *   **價格優勢**：每小時處理音訊僅需 0.18 美元。對比競爭對手（如 AssemblyAI 或 Deepgram 加上說話者識別功能），價格可能高出兩到三倍。
    *   **準確率領先**：在 Artificial Analysis 的基準測試中，詞錯誤率（WER）為 3.1%，超越 OpenAI、Google 和 ElevenLabs。
    *   **說話者分離**：準確率領先業界，減少識別說話者的錯誤。
5.  **限制與應用**：
    *   目前尚無詞級時間戳記（Word-level timestamps）。
    *   主要應用對象為企業開發者，用於構建即時 AI 助手和會議工具。

## 詳細大綱

### 1. 產品發布與核心功能
*   Meta Superintelligence Labs 發布全新音訊感知模型 **Muse Voice Transcribe**。
*   該模型主打即時串流轉錄與說話者分離功能。
*   具備處理多人對話的能力，同時支援超過 20 人的對話場景。

### 2. 技術機制與語言支援
*   **處理方式**：將音訊分割為微小的 80 毫秒區塊（80-millisecond chunks）。
*   **適應性延遲（Adaptive Delay）**：
    *   這是一項關鍵技術，用於處理混亂語音。
    *   若語音混亂，系統可等待片刻；若語音清晰，則立即提交轉錄結果。
*   **語言支援**：
    *   支援超過 70 種語言。
    *   支援語碼轉換（Code-switching），即在同一句話中切換語言。

### 3. 市場競爭與價格優勢
*   **定價策略**：每小時處理音訊僅需 0.18 美元。
*   **競爭對手對比**：
    *   若使用 AssemblyAI 或 Deepgram 並加上說話者識別功能，價格可能高出兩到三倍。
    *   其他競爭對手容量對比：
        *   Speechmatics：可處理高達 100 人。
        *   Amazon Transcribe：可處理 30 人。
        *   Muse：支援超過 20 人，對多數企業已足夠。

### 4. 準確率表現
*   **基準測試來源**：Artificial Analysis。
*   **詞錯誤率（WER）**：Muse 的 WER 為 3.1%，擊敗 OpenAI、Google 和 ElevenLabs。
*   **說話者分離準確率**：領先業界，有效減少識別說話者的錯誤。

### 5. 限制與應用場景
*   **當前限制**：目前尚無詞級時間戳記（Word-level timestamps）。
*   **目標用戶**：企業開發者（Enterprise developers）。
*   **應用用途**：構建即時 AI 助手和會議工具，降低高階語音 AI 的成本門檻。

## 工具 / 模型 / 名詞整理

*   **Muse Voice Transcribe**：Meta 發布的全新音訊感知模型。
*   **Meta Superintelligence Labs**：發布該模型的實驗室。
*   **Streaming Transcription**：即時串流轉錄。
*   **Speaker Diarization**：說話者分離技術。
*   **Adaptive Delay**：適應性延遲技術，用於處理混亂語音。
*   **80-millisecond chunks**：音訊處理的最小區塊單位。
*   **Code-switching**：語碼轉換，指單句中切換語言。
*   **Word Error Rate (WER)**：詞錯誤率，Muse 為 3.1%。
*   **Word-level timestamps**：詞級時間戳記（目前缺失的功能）。
*   **AssemblyAI**：競爭對手之一。
*   **Deepgram**：競爭對手之一。
*   **Speechmatics**：競爭對手之一，可處理高達 100 人。
*   **Amazon Transcribe**：競爭對手之一，可處理 30 人。
*   **Artificial Analysis**：提供基準測試的機構。
*   **OpenAI**：競爭對手之一。
*   **Google**：競爭對手之一。
*   **ElevenLabs**：競爭對手之一。

## 操作流程整理

*(註：分段筆記主要描述產品功能與市場對比，未提供具體的使用者操作步驟，故此部分基於內容推導之核心邏輯)*

1.  **輸入音訊**：系統接收即時音訊串流。
2.  **區塊分割**：將音訊分割為 80 毫秒的微小區塊。
3.  **適應性處理**：
    *   判斷語音清晰度。
    *   若混亂，啟動「適應性延遲」等待片刻。
    *   若清晰，立即提交轉錄。
4.  **說話者分離**：識別並分離超過 20 人的不同說話者聲音。
5.  **輸出結果**：生成高準確率（WER 3.1%）的轉錄文本，支援 70+ 語言及語碼轉換。

## 值得注意的限制或風險

*   **功能缺失**：目前版本尚無詞級時間戳記（Word-level timestamps）。
*   **容量限制**：雖支援超過 20 人，但低於 Speechmatics 的 100 人與 Amazon Transcribe 的 30 人上限（儘管對多數企業已足夠）。

## 逐字稿辨識疑點

*   **Muse**：逐字稿中多次提及此名稱，指代 Meta 發布的新模型。
*   **adaptive delay**：逐字稿中描述為「trick called adaptive delay」，指代其處理音訊區塊的技術機制。
*   **word-level timestamps**：逐字稿中提及為缺失功能，指「詞級時間戳記」。
*   **3.1% word error rate**：逐字稿中明確指出的準確率數據。
*   **80-millisecond chunks**：逐字稿中指出的音訊處理區塊大小。

## 可延伸追問

*   Muse Voice Transcribe 何時會開放給公眾使用？
*   未來是否會加入詞級時間戳記（Word-level timestamps）功能？
*   對於超過 20 人的大型會議場景，是否有特定的企業級解決方案？
*   在語碼轉換（Code-switching）場景下，準確率是否會受到影響？