什么是流式语音识别？
流式自动语音识别在音频还在进入时就把声音变成文字，而不是等文件结束。先出现部分文字，后面可以改。这是延迟设计，不是品牌名。
Muse Voice Transcribe 解读——2026-09-01 Meta 上线了什么
截至 2026-09-07：Meta Superintelligence Labs 于 2026-09-01 发布 Muse Voice Transcribe，以 80ms 分块做实时流式语音识别，同一模型覆盖 20+ 说话人分离和端点检测。Meta 称截至 2026-09-01 在 Artificial Analysis 流式语音转写榜上排名第一。若你只想把文件或讲座链接转成文字，用下面的工具即可，不必打开 Meta API 控制台。
发布 · 2026-09-01 80ms 流式语音识别 下方可试用
Transcribe a file right here
Drop an MP3, WAV, or M4A — BibiGPT returns timestamped text you can copy, without opening Meta Model API.
把 BibiGPT 设为 Google 优先来源 在热门报道和 AI 概览里看到更多 BibiGPT。 
1 
2 
3
关键事实（90 秒读完）
截至 2026-09-07：Meta Superintelligence Labs 于 2026-09-01 发布 Muse Voice Transcribe。这是实时音频感知模型：80ms 流式语音识别、20+ 说话人分离、端点检测，一遍完成。Meta 称截至 2026-09-01 在 Artificial Analysis 流式语音转写榜排名第一。Meta Model API 标价每小时音频 0.18 美元。最近更新：2026-09-07。
Features
Muse Voice Transcribe 实际是什么
这是 Meta Superintelligence Labs 的托管实时音频感知模型，属于 Muse Spark 家族。它不是 Muse Image。Meta 文档里的模型 ID 是 muse-voice-transcribe-1.0。
80ms 流式语音识别（2026-09-01）
音频按 80ms、12.5 Hz 分块。模型自己决定是继续听还是吐出一个文字片段。Meta 称之为自适应延迟：用强化学习在「多等一会儿」和「词更准」之间做权衡。
说话人分离和端点检测走同一遍
说话人标签覆盖 20 人以上。端点标记语音起止。Meta 称不需要单独的后处理步骤。这些说法以研究页为准。
每小时音频 0.18 美元，仅 API
Meta 语音转文字文档列出：处理一小时音频 0.18 美元（每 1000 分钟 3 美元），流式和文件上传同价。没有开源权重。Mac 上 Meta AI 和 Muse Code 的语音听写已经在用这个模型。
如果你要处理长音频，这意味着什么
实时语音识别 API 帮的是在做语音助手的团队。它替代不了给人类归档带时间戳的文字稿、章节和追问的产品——后者往往只需要粘一条链接。
你不必打开 Model API 控制台
粘贴讲座或播客链接，或拖入 MP3。要的是能搜索的文字稿，不是去握 wss://api.meta.ai/v1/asr/realtime 这根 WebSocket。
文字稿是接口，不是成品
流式原文仍要人读。BibiGPT 吃同一份文件或链接，返回章节、带时间戳的文字稿，以及可以追问的笔记。
这是 Voice Transcribe，不是 Muse Image
Muse Image 是 Meta 另一次 2026 发布。每种意图各留一个 URL。本页只覆盖 09-01 的语音模型。
5 条关键变化（90 秒读完）
来自 Meta 2026-09-01 Muse Voice Transcribe 发布的核心事实。
- 1
2026-09-01 发布，仅托管
Meta Superintelligence Labs 以 muse-voice-transcribe-1.0 上线。可通过 Meta Model API、Mac 版 Meta AI 和 Muse Code 使用。没有开源权重。在 Mac 上按住 Fn，即可通过 Meta AI 听写。
- 2
80ms 分块与自适应延迟
音频每 80ms（12.5 Hz）变成一个文字单元。模型选择继续听还是输出文字。自适应延迟用强化学习训练，把词错误奖励和延迟奖励相乘，难词就多等一会儿。
- 3
说话人分离和端点检测共享识别遍
特殊标记说话人切换、说话人标签 A–Z（20+ 人）、语音 onset 和 endpoint。Meta 称超过一小时的长音频也不需要额外后处理流程。
- 4
训练 70+ 语，验证 25 语
首发 Meta 建议先用这 25 种充分验证的语言，其余也可试。句内和句间语码转换是原生的。语言、关键词和上下文偏置可以提高专名和行话的准确率。
- 5
每小时 0.18 美元，外加一份独立流式榜
Meta 文档列出处理一小时音频 0.18 美元。Meta 称截至 2026-09-01 在 Artificial Analysis 流式语音转写和公开说话人分离榜上排名第一。VentureBeat 引用发布图：AA-WER Streaming 最终稿词错误率 3.1%。
BibiGPT 用户的 3 个典型场景
实时语音识别 API 哪里重要——以及「链接变笔记」产品真正要干的活在哪。
你在做语音助手
需要 WebSocket 部分结果和模型检测话轮边界的团队，可以评估 Meta Model API。然后再把成品录音丢进 BibiGPT，让人拿到章节，而不是一串原始事件。
你只想把课堂录音转成文字
九十分钟讲座不需要实时语音识别套接字。粘贴 URL 或拖入 M4A，导出带时间戳的文字稿，继续追问。这就是产品路径。
你在跟踪 2026 的语音发布
Muse Voice Transcribe 是 Meta 09-01 的流式语音识别。Granite Speech 5.0 Turbo CTC 是 IBM 的英语吞吐权重。Gemini 3.5 Transcribe 于 2026-08-26 发布，直播和文件是不同接口。每个家族各留一个 URL；不要合成一张笼统的「2026 语音识别」页。
相关 BibiGPT 工具
与这次发布配套的转写与笔记工作流。
来源
发布事实来自 Meta 自家文章。标价和流式榜图的独立报道另行标注。
-
2026-09-01，Meta Superintelligence Labs 发布 Muse Voice Transcribe，作为 Muse Spark 家族首个实时音频感知模型：80ms 流式语音识别、20+ 说话人分离、端点检测、训练 70+ 语（25 语充分验证）、原生语码转换、原生支持超过一小时长音频。Meta 称截至 2026-09-01 在 Artificial Analysis 流式语音转写榜排名第一。
Meta AI Research — Introducing Muse Voice Transcribe ↗ -
Meta 语音转文字文档列出模型 muse-voice-transcribe-1.0、实时 WebSocket 与文件 POST 接口、处理一小时音频 0.18 美元、话轮级时间戳（不是词级），以及 25 种评测语言与语码转换。
Meta AI Developer — Speech to text ↗ -
VentureBeat（2026-09）报道 0.18 美元/小时标价，并引用 Meta 发布图：Artificial Analysis AA-WER Streaming 最终稿词错误率 3.1%，高于该图上列出的其他流式系统。
VentureBeat — Meta prices Muse Voice Transcribe at $0.18 an hour ↗ -
Gemini 3.5 Transcribe（2026-08-26）是 Google 另一次发布：Google 引用的 Artificial Analysis 数字为流式 WER 4.0%、非流式 WER 2.6%，覆盖 85+ 语言。直播和文件是不同接口。数据时点 2026-08。
Google — Gemini 3.5 Transcribe launch（zettel dt-bibigpt-0008） ↗
本页用到的术语
什么是说话人分离？
说话人分离给录音里「谁在何时说话」打标签。系统给话轮分配说话人标记，会议稿才能把不同声音分开。宣称覆盖 20 人以上，只说明标签集合够大，并不等于认出每个人的名字。
语音识别里的端点检测是什么？
端点检测标记一段话的起止，让语音助手知道何时停止收听、开始回答。这是话轮切换，不是标点。模型吐出 onset 和 结束标记，而不是等人按停止键。
深受创作者、学生和研究人员的喜爱
看看大家为什么每天都用 BibiGPT 把视频转成文字。
全球 50,000+ 用户的信赖之选
★★★★★
“贴上链接几秒钟就拿到干净的字幕文字，每周帮我省下好几个小时的手动整理时间。”
Maya R.
内容创作者 · 二次创作短视频
★★★★★
“导出逐字稿后我可以按自己的节奏复习生词，再也不用反复暂停视频了。”
Daniel K.
语言学习者 · 用真实视频学外语
★★★★★
“准确、带时间戳的文字可以直接引用，它已经悄悄成为我日常工作流的一部分。”
Priya S.
研究人员 · 引用公开演讲
常见问题
常见问题解答
有问题？问我们！
热门文章
1 DeepSeek Harness 怎么装 skill：让 dsh 学会看视频的实战教程
给 DeepSeek Harness 装视频总结 skill 只需拷贝目录——SKILL.md 和 Claude Code 通用。也可以不装 dsh：在浏览器里粘贴 B 站或 YouTube 链接，直接出带时间戳的总结。
2 B站AI视频总结工具推荐：BibiGPT一键总结30+平台视频（2026精选）
2026年B站AI视频总结工具哪个最好？粘贴任意链接，几秒生成结构化总结、思维导图和重点提炼，支持30+平台、免登录。文末对比5大工具，选出最适合你的那一个。
3 Bilibili字幕提取工具横评 2026：BibiGPT一键搞定B站视频转文字
海外用户如何提取B站视频字幕？2026 更新版横向对比5款主流bilibili transcript工具，从字幕提取、AI总结到格式导出全面评测，看BibiGPT如何凭借原生B站支持脱颖而出。
跳过 API 握手，在这里语音转文字
粘贴 YouTube、B 站或播客链接——或拖入 MP3、WAV、M4A。BibiGPT 返回带时间戳的文字稿、AI 总结，以及能搜索的笔记。最近更新：2026-09-07。