La demanda d'eines de transcripció i dictat en temps real ha crescut amb la generalització de les reunions virtuals i híbrides i amb els usos d'accessibilitat, i diversos proveïdors —Cartesia, ElevenLabs, OpenAI i Google, entre d'altres— competeixen des de fa mesos per oferir la transcripció més ràpida i fiable possible en converses amb múltiples parlants.
Meta Superintelligence Labs ha presentat l'1 de setembre Muse Voice Transcribe, el seu primer model d'IA de percepció d'àudio en temps real, entrenat en més de 70 idiomes i capaç de distingir automàticament fins a més de vint persones parlant en una mateixa gravació, fins i tot quan algú canvia d'idioma a mig frase. El model gestiona dictat i transcripció en temps real i ja és accessible a l'aplicació Meta AI per a Mac, a l'eina de programació Muse Code i, a través de l'API de Meta, amb un preu de 3 dòlars per cada 1.000 minuts d'àudio processats; l'empresa també n'ofereix una versió de prova al seu blog de recerca. Segons Meta, Muse Voice Transcribe encapçala actualment la classificació de transcripció en temps real d'Artificial Analysis, per davant de models de Cartesia, ElevenLabs, OpenAI i Google.
La notícia és rellevant perquè situa Meta al capdavant d'un segment molt competit —la transcripció multilingüe en temps real, útil per a reunions, accessibilitat i entorns amb diversos idiomes— just en un moment en què l'empresa combina models oberts amb els seus primers productes d'IA tancats i de pagament.
Cal llegir la posició de lideratge amb cautela: es basa en una única classificació externa, la d'Artificial Analysis, i encara no hi ha una verificació independent més àmplia; a més, l'accés complet al model queda limitat, de moment, a l'aplicació de Mac i als socis que en fan servir l'API de pagament.