AudiomodellAktiv
Muse Voice Transcribe
Meta Superintelligence Labs
- Veröffentlicht
- 1. September 2026
- Datenstand
- 7. Oktober 2026
- Modellklasse
- Sprachen
Das Besondere an Muse Voice Transcribe ist, dass Transkription, Sprechertrennung und Erkennung des Gesprächsendes im selben Streaming-Modell stattfinden. Meta nennt mehr als 20 unterscheidbare Sprecher und Sprachwechsel innerhalb eines Gesprächs.
Das Modell passt seine Wartezeit vor der Ausgabe eines Wortes an dessen Schwierigkeit an. So soll es laut Meta Genauigkeit und Verzögerung abwägen; Audioeingaben von mehr als einer Stunde werden ebenfalls unterstützt.
Technische Daten und Zugang
| Angabe | Wert und Quelle |
|---|---|
| Modellklasse | Streaming-Spracherkennung mit SprechererkennungQuelle |
| Zugang | Meta Model API, Meta AI für Mac, Muse Code und Browser-DemoQuelle |
| Eingabemodalitäten | Live-AudioQuelle |
| Ausgabemodalitäten | TexttranskriptQuelle |
| API-Modellkennung | muse-voice-transcribe-1.0Quelle |
| Sprachen | 25+; unterstützt Code-SwitchingQuelle |
| Sprechererkennung | Echtzeit-Diarisierung für mehr als 20 SprecherQuelle |
| Lange Audioeingaben | Meta nennt native Audioeingaben von mehr als einer StundeQuelle |
| Veröffentlichter Zugang | Verfügbar über Meta Model API, Meta AI für Mac und Muse Code; zusätzlich Browser-Demo mit Mikrofoneingabe.Quelle |
Seite 1 von 2
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
Meta average diarization error rate (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 17.5
- Bewertung
- 17.5
- Messgröße
- average diarization error rate
- Einheit
- %
- Benchmark-Version
- Meta announcement chart, September 2026
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Meta Muse Voice Transcribe announcement chart
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Mittelwert über AMI-IHM, AMI-SDM und VoxConverse. Das Diagramm der Meta-Ankündigung nennt keine Stichprobengröße je Datensatz.
- Einordnung
- Herstellerdiagramm; keine Datensatz-Einzelwerte, Stichprobengrößen oder Konfidenzintervalle veröffentlicht.
Artificial Analysis Overall AA-WER Streaming WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.030623
- Bewertung
- 0.030623
- Messgröße
- word error rate; source's raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 1103
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse-Voice-Transcribe-1.0-Eintrag; AA-AgentTalk 50%, VoxPopuli-Cleaned-AA 25%, Earnings22-Cleaned-AA 25%; approximately eight hours total. WER innerhalb der Datensätze nach Audiodauer gewichtet. Bei der Gesamtzeile gilt die ausgewiesene Datensatzgewichtung.
- Einordnung
- AA testet die API mit englischsprachigen Datensätzen; die etwa acht Stunden entsprechen nicht einer universellen Sprachabdeckung. Netzwerk- und Streamingkonfigurationen gehören zum gemessenen Endpunkt.
Artificial Analysis AA-AgentTalk WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.027419
- Bewertung
- 0.027419
- Messgröße
- word error rate; source's raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 469
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse-Voice-Transcribe-1.0-Eintrag; proprietary held-out voice-agent speech WER innerhalb der Datensätze nach Audiodauer gewichtet. Bei der Gesamtzeile gilt die ausgewiesene Datensatzgewichtung.
- Einordnung
- AA testet die API mit englischsprachigen Datensätzen; die etwa acht Stunden entsprechen nicht einer universellen Sprachabdeckung. Netzwerk- und Streamingkonfigurationen gehören zum gemessenen Endpunkt.
Artificial Analysis VoxPopuli-Cleaned-AA WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.024583
- Bewertung
- 0.024583
- Messgröße
- word error rate; source's raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 628
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse-Voice-Transcribe-1.0-Eintrag; English parliamentary speech WER innerhalb der Datensätze nach Audiodauer gewichtet. Bei der Gesamtzeile gilt die ausgewiesene Datensatzgewichtung.
- Einordnung
- AA testet die API mit englischsprachigen Datensätzen; die etwa acht Stunden entsprechen nicht einer universellen Sprachabdeckung. Netzwerk- und Streamingkonfigurationen gehören zum gemessenen Endpunkt.
Artificial Analysis Earnings22-Cleaned-AA WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.043074
- Bewertung
- 0.043074
- Messgröße
- word error rate; source's raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 6
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse-Voice-Transcribe-1.0-Eintrag; six parent earnings-call files, chunked for streaming as documented WER innerhalb der Datensätze nach Audiodauer gewichtet. Bei der Gesamtzeile gilt die ausgewiesene Datensatzgewichtung.
- Einordnung
- AA testet die API mit englischsprachigen Datensätzen; die etwa acht Stunden entsprechen nicht einer universellen Sprachabdeckung. Netzwerk- und Streamingkonfigurationen gehören zum gemessenen Endpunkt.
Artificial Analysis Overall AA-WER Streaming, first partial after endpoint WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.03574691459283201
- Bewertung
- 0.03574691459283201
- Messgröße
- word error rate of first post-endpoint partial; raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 1103
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse Voice Transcribe 1.0-Eintrag; AA-AgentTalk 50%, VoxPopuli-Cleaned-AA 25%, Earnings22-Cleaned-AA 25%. Erstes Partial nach dem erkannten Sprachende; AA vergleicht es separat vom endgültigen Transkript.
- Einordnung
- Die erste Teiltranskription wird laut AA nicht direkt mit dem späteren finalen Transkript verglichen; beide Metriken haben unterschiedliche Zeitpunkte.
Artificial Analysis AA-AgentTalk, first partial after endpoint WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.032352118995203585
- Bewertung
- 0.032352118995203585
- Messgröße
- word error rate of first post-endpoint partial; raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 469
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse Voice Transcribe 1.0-Eintrag; proprietary held-out voice-agent speech Erstes Partial nach dem erkannten Sprachende; AA vergleicht es separat vom endgültigen Transkript.
- Einordnung
- Die erste Teiltranskription wird laut AA nicht direkt mit dem späteren finalen Transkript verglichen; beide Metriken haben unterschiedliche Zeitpunkte.
Artificial Analysis VoxPopuli-Cleaned-AA, first partial after endpoint WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.035094483543360006
- Bewertung
- 0.035094483543360006
- Messgröße
- word error rate of first post-endpoint partial; raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 628
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse Voice Transcribe 1.0-Eintrag; English parliamentary speech Erstes Partial nach dem erkannten Sprachende; AA vergleicht es separat vom endgültigen Transkript.
- Einordnung
- Die erste Teiltranskription wird laut AA nicht direkt mit dem späteren finalen Transkript verglichen; beide Metriken haben unterschiedliche Zeitpunkte.
Artificial Analysis Earnings22-Cleaned-AA, first partial after endpoint WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.043188936837560865
- Bewertung
- 0.043188936837560865
- Messgröße
- word error rate of first post-endpoint partial; raw fraction
- Einheit
- ratio
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 6
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse Voice Transcribe 1.0-Eintrag; six parent earnings-call files, chunked for streaming as documented Erstes Partial nach dem erkannten Sprachende; AA vergleicht es separat vom endgültigen Transkript.
- Einordnung
- Die erste Teiltranskription wird laut AA nicht direkt mit dem späteren finalen Transkript verglichen; beide Metriken haben unterschiedliche Zeitpunkte.
Artificial Analysis Overall time to final transcript after endpoint (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.16305052059344063
- Bewertung
- 0.16305052059344063
- Messgröße
- latency after detected end of speech
- Einheit
- seconds
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 1103
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse Voice Transcribe 1.0-Eintrag; nach Stichprobengröße gewichtete Latenz über den AA-WER-Streamingkorpus. Timer beginnt nach dem tatsächlich gestreamten Sprachende und dem Endpoint-Signal. Netzwerkverzögerung bleibt enthalten.
- Einordnung
- Latency wird innerhalb der Datensätze nach Samples gewichtet; Earnings22-Teilstücke werden zu den Quelldateien aggregiert.
Artificial Analysis AA-AgentTalk time to final transcript after endpoint (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.16904730040848576
- Bewertung
- 0.16904730040848576
- Messgröße
- latency after detected end of speech
- Einheit
- seconds
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 469
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse Voice Transcribe 1.0-Eintrag; proprietary held-out voice-agent speech Timer beginnt nach dem tatsächlich gestreamten Sprachende und dem Endpoint-Signal. Netzwerkverzögerung bleibt enthalten.
- Einordnung
- Latency wird innerhalb der Datensätze nach Samples gewichtet; Earnings22-Teilstücke werden zu den Quelldateien aggregiert.
Artificial Analysis VoxPopuli-Cleaned-AA time to final transcript after endpoint (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.16497676305571973
- Bewertung
- 0.16497676305571973
- Messgröße
- latency after detected end of speech
- Einheit
- seconds
- Benchmark-Version
- AA-WER v2.2 streaming; retrieved 2026-10-07
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Stichprobe
- 628
- Quellentyp
- independent-evaluator
- Auswertung
- Artificial Analysis AA-WER Streaming
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Unabhängige Evaluation. Exakter Muse Voice Transcribe 1.0-Eintrag; English parliamentary speech Timer beginnt nach dem tatsächlich gestreamten Sprachende und dem Endpoint-Signal. Netzwerkverzögerung bleibt enthalten.
- Einordnung
- Latency wird innerhalb der Datensätze nach Samples gewichtet; Earnings22-Teilstücke werden zu den Quelldateien aggregiert.
Seite 1 von 2
Veröffentlichte Preise
- API-Preis
- 0,18 $ pro Audiostunde (3 $ pro 1.000 Audiominuten)Quelle
Quellen und Datenstand
| Art | Nachweis und Datenstand |
|---|---|
| Recherchestand | Recherchestand 7. Oktober 2026. 10 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell. |
| Nicht veröffentlicht | diarization-sample-counts Originalwortlaut Metas 17,5-%-Mittelwert über AMI-IHM, AMI-SDM und VoxConverse enthält keine Datensatz-Einzelwerte, Fallzahlen oder Konfidenzintervalle. |
| Nicht veröffentlicht | aa-language-coverage Originalwortlaut Die AA-Streaming-Messung ist englischsprachig; die gelesenen Quellen veröffentlichen keinen gleichartigen Muse-WER-/Latenzlauf für andere Sprachen. |
| Weitere Quelle | Meta AI Research Muse Voice Transcribe announcement (abgerufen 7. Oktober 2026) · Meta AI Research Muse Voice Transcribe announcement · Redaktionelle Beschreibung geprüft am 7. Oktober 2026 |
| Weitere Quelle | Meta Muse Voice Transcribe API and pricing (abgerufen 7. Oktober 2026) |
| Weitere Quelle | Artificial Analysis AA-WER Streaming (abgerufen 7. Oktober 2026) |
| Weitere Quelle | VoiceCodeBench released baseline (abgerufen 7. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 7. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 7. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 7. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 7. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 7. Oktober 2026) |
| Weitere Quelle | Modellmetadaten (abgerufen 7. Oktober 2026) |