Meta presentó Muse Voice Transcribe, un nuevo modelo de inteligencia artificial capaz de convertir conversaciones de voz en texto en tiempo real y distinguir entre diferentes personas que participan de una charla. Según la compañía, se trata del primer modelo de percepción de audio en tiempo real desarrollado por Meta Superintelligence Labs.
La herramienta combina tres funciones principales: reconocimiento automático del habla (ASR), identificación de los distintos participantes mediante diarization y detección del momento en que una persona termina de hablar. Además, Muse Voice Transcribe puede procesar más de 25 idiomas y reconocer cambios de idioma dentro de una misma conversación, una característica especialmente pensada para situaciones de comunicación bilingüe.
Cómo funciona Muse Voice Transcribe
El modelo pertenece a la familia Muse Spark y utiliza un sistema de procesamiento de audio en tiempo real. La señal de voz se divide en fragmentos de 80 milisegundos y el sistema decide constantemente si necesita seguir escuchando o si ya cuenta con suficiente información para generar texto.
Uno de los aspectos destacados es su sistema de “adaptive delay”, que ajusta dinámicamente cuánto tiempo espera antes de transcribir cada palabra. La idea es encontrar un equilibrio entre velocidad y precisión: esperar más puede mejorar la transcripción, pero también aumenta la demora. Muse Voice Transcribe modifica ese tiempo según la dificultad de cada palabra.
La tecnología también incorpora diarization, que permite identificar quién está hablando. Para eso, el modelo marca los cambios de interlocutor y asigna etiquetas diferentes a cada persona. Meta mostró una demostración con ocho personas hablando en una misma habitación, en la que el sistema logró diferenciar sus intervenciones en vivo.
Más de 25 idiomas y conversaciones extensas
Muse Voice Transcribe fue entrenado con más de 70 idiomas, aunque Meta señala que 25 fueron verificados de manera exhaustiva para el lanzamiento inicial. Entre los idiomas mostrados por la compañía aparecen chino, francés, hindi, japonés, español y vietnamita.
Otra característica es su capacidad para reconocer code-switching, es decir, cuando una persona alterna entre dos idiomas durante una misma oración o entre distintas frases. El modelo también puede utilizar palabras clave y el contexto para mejorar la precisión de las transcripciones.
Por último, Meta asegura que Muse Voice Transcribe puede procesar audios de más de una hora y conversaciones con más de 20 participantes, sin necesidad de aplicar un procesamiento posterior. La compañía también afirma que el modelo ocupa el primer puesto en Artificial Analysis para reconocimiento de voz en streaming y en benchmarks públicos de identificación de hablantes, según sus rankings al 1 de septiembre de 2026.