Sulseltimes.com, Jakarta, Rabu, 02/09/2026 — Meta meluncurkan Muse Voice Transcribe, model kecerdasan buatan (AI) pengenalan suara pertama miliknya yang dirancang untuk transkripsi real-time dengan dukungan lebih dari 70 bahasa dan kemampuan mengenali lebih dari 20 pembicara.
- Meta meluncurkan Muse Voice Transcribe untuk transkripsi suara real-time
- Model mendukung 70 bahasa dan mengenali 20 pembicara
- Meta AI
- Rabu, 02/09/2026
- Tersedia via API dan aplikasi Meta AI untuk Mac
Model ini dikategorikan sebagai model “real-time audio perception” pertama Meta. Menurut keterangan resmi, Muse Voice Transcribe dilatih menggunakan data lebih dari 70 bahasa, di mana 25 di antaranya telah melalui verifikasi ekstensif.
Model ini dirancang mampu menangani percakapan multibahasa, termasuk ketika seseorang berganti bahasa di tengah percakapan. Kemampuan pemrosesan juga mencakup percakapan berdurasi lebih dari satu jam.
Performa Unggul pada Benchmark Bahasa Inggris
Dalam benchmark AA-WER Streaming speech-to-text dari Artificial Analysis untuk bahasa Inggris, Muse Voice Transcribe mencatat word error rate (WER) sebesar 3,1 persen. Angka ini lebih rendah dibandingkan model pesaing seperti Cartesia Ink-2 (3,4 persen), ElevenLabs Scribe v2 Real-time (3,6 persen), GPT Live Transcribe (3,9 persen), dan Gemini 3.5 Transcribe Live (4 persen). Semakin rendah nilai WER, semakin sedikit kesalahan kata yang dihasilkan.
Benchmark tersebut hanya menguji kemampuan transkripsi untuk bahasa Inggris. Untuk pengenalan pembicara yang berbeda (speaker diarization) pada sejumlah benchmark standar real-time, model ini mencatat tingkat kesalahan sebesar 17,5 persen.
Arsitektur Adaptive Delay dan Pelatihan Reinforcement Learning
Menurut Meta, Muse Voice Transcribe merupakan model multimodal autoregresif dari keluarga Muse Spark. Sistem memproses audio dalam potongan 80 milidetik atau 12,5 potongan per detik, yang masing-masing dikompresi menjadi satu soft token.
Pada setiap potongan, model menentukan apakah langsung menghasilkan text token atau menunggu audio berikutnya untuk konteks tambahan. Jika masih butuh konteks, sistem menggunakan penanda khusus yang nantinya digantikan potongan audio selanjutnya. Ketika audio berhenti, sistem mengeluarkan teks yang masih ditahan.
Mekanisme ini disebut Meta sebagai “adaptive delay”. Kata-kata mudah dikenali ditranskripsikan hampir langsung, sedangkan kata sulit mendapat konteks tambahan. Kemampuan menentukan penundaan dipelajari melalui reinforcement learning dengan reward berbasis akurasi transkripsi dan rendahnya latensi, yang dikalikan untuk mendorong keduanya bersamaan.
Ketersediaan dan Harga API
Muse Voice Transcribe tersedia melalui Meta Model API, Meta AI untuk Mac, dan Muse Code. Di Mac, pengguna dapat menekan dan menahan tombol Fn untuk mendiktekan teks ke aplikasi apa pun. Demo juga memperlihatkan penggunaan suara untuk menginstruksikan Muse Code.
Untuk penggunaan API, Meta menetapkan harga 3 dolar AS per 1.000 menit audio, atau sekitar 0,18 dolar AS per jam. Berbeda dengan model Muse Glimmer, Meta tidak akan menyediakan bobot model (open weights) Muse Voice Transcribe untuk publik, berdasarkan informasi dari The New Stack.
