工作清單｜Meta Just Broke the Cost of AI Transcription: Muse Voice Transcribe Is Here!

逐字稿文字預覽

Hey everyone.
Imagine you're in a massive meeting with20 people.
Everyone is talking at once and you needa perfect transcript that knows exactly
who said what the moment they say it.
Usually, that's expensive and slow.
But today, Meta just changed the game.
Meta Superintelligence Labs has officially launched Muse Voice Transcribe.
This is a brand new audio perception
model that handles streamingtranscription and speaker diarizationfor over 20 people simultaneously.
The most shocking part?
The price.
Meta is offering this for just $0.
18 per hour of processed audio.
To put that in perspective, competitors
like AssemblyAI or Deepgram can cost twoto three times more when you add inspeaker identification.
Muse isn't just cheap, it's smart.
It processes audio in tiny80-millisecond chunks using a trickcalled adaptive delay.
It can wait a split second if the speech
is messy or commit immediately if it'sclear.
It supports over 70 languages andhandles things like code-switching where
people jump between languages in onesentence.
Now, is it a world record?
Not quite.
Speechmatics can handle up to 100speakers and Amazon Transcribe handles30.
But for most businesses building meeting
20 speakers is plenty.
Plus, Meta is topping the charts for accuracy.
In recent benchmarks from Artificial
Analysis, Muse hit a 3.
1% word error rate beating out rivals like OpenAI, Google, and ElevenLabs.
It's also leading in diarization
accuracy, which means fewer mistakes in figuring out who is talking.
While there are some tradeoffs like no
word-level timestamps yet, the valuehere is incredible.
For enterprise developers, this is amassive win for building live AI
assistants and meeting tools withoutbreaking the bank.
Meta is making high-end voice AIaccessible to everyone.
What do you think?
Is 18 cents an hour low enough to changehow your company uses AI?
Let me know in the comments.
Like, subscribe, and turn on notifications.

來源：transcript.txt

本次執行流程與問題處理

下達指令
指令：videonote https://www.youtube.com/watch?v=tWkn4Fp9l4M --language en --bilingual --learning --auto-source-subtitles

來源：https://www.youtube.com/watch?v=tWkn4Fp9l4M

辨識語言：en ｜參數：--language en --bilingual --learning --auto-source-subtitles
預期流程
依指令產生的處理順序：
1. 自動字幕優先，Whisper 作為備援
2. 來源選擇與品質檢查
3. 文字校正與句子單元
4. 雙語翻譯
5. 雙語時間軸與學習單元
6. 筆記與發布
7. 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：15.6 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：11.9 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：0.9 秒
關係：依序執行
結果：完成
4. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：1.0 秒
關係：依序執行
結果：完成
5. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：1.0 秒
關係：依序執行
結果：完成
6. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.0 秒
關係：依序執行
結果：完成
7. 雙語翻譯
工具：vnt-sentence（句子雙語翻譯）
處理：將句子翻譯成繁體中文
產出：sentence_bilingual_transcript.json（雙語逐字稿）
耗時：38.7 秒
關係：依序執行
結果：完成
8. 雙語時間軸與學習單元
工具：videonote_learning_timeline_v2.py（建立雙語時間軸與學習單元）
處理：建立雙語時間軸與學習內容
產出：sentence_bilingual_timeline.html（雙語時間軸頁）、learning.json（學習單元）、japanese_learning.json（日文學習單元）
耗時：107.9 秒
關係：依序執行
結果：完成
9. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：55.1 秒
關係：依序執行
結果：完成
10. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.2 秒
關係：依序執行
結果：完成
11. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.3 秒
關係：依序執行
結果：完成

手動來源字幕

reference_subtitle.txt 下載1,980 bytes
reference_subtitle.vtt 下載18,680 bytes

自動來源字幕

source_subtitles.clean.json 下載21,383 bytes
subtitle_acquisition.json 下載1,500 bytes

Whisper 字幕

尚未產生

Qwen 字幕

尚未產生

Parakeet 字幕

尚未產生

MOSS 字幕

尚未產生

聲學時間證據（PyAnnote / WhisperX）

尚未產生

校正前後逐字稿

校正前 transcript.source.json 純文字 JSON 1,930 / 7,899 bytes
校正後 transcript.presegmentation_corrected.json 純文字 JSON 1,931 / 9,374 bytes

目前待解決問題與初步改善方向

⚠️ 全文快速校讀：已套用暫定修正，請確認待修正
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；segment=10 已先套用暫定修正：assistants or call analytics, 20speakers is plenty.Plus, Meta is topping the charts foraccuracy.In recent benchmarks from Artificial → 20 speakers is plenty. Plus, Meta is topping the charts for accuracy. In recent benchmarks from Artificial；segment=11 已先套用暫定修正：Analysis, Muse hit a 3.1% word errorate beating out rivals like OpenAI,Google, and ElevenLabs.It's also leading in diarization → Analysis, Muse hit a 3.1% word error rate beating out rivals like OpenAI, Google, and ElevenLabs. It's also leading in diarization
Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。

進一步精進字幕與筆記
使用 Workbench 上傳校正字幕、中文參考稿或回饋 SRT，重新產生雙語與學習單元。
開啟 Workbench

逐字稿文字預覽

本次執行流程與問題處理

下達指令

預期流程

1. 下載與語音辨識

2. 全文快速校讀

3. 建立句子單元

4. 時間軸稽核

5. 品質檢查

6. 播放時間軸回填

7. 雙語翻譯

8. 雙語時間軸與學習單元

9. 生成筆記摘要

10. 建立筆記頁面

11. 發布公開頁面