Meta stellt Muse Voice Transcribe vor: Live-Transkription mit Sprecher- und Satzmarkierung, 70+ Sprachen und günstigen Preisen — einige technische Details fehlen.
In Kürze
- 3,1% WER und 0,16 s Nachlaufzeit (Englisch)
- Mehr als 20 Sprecher, 70+ Sprachen, Sprachwechsel im Satz möglich
- Verfügbar in Meta AI/Muse Code; $0,18/Stunde über Meta‑Model‑API
Meta hat ein neues Echtzeit-Sprachmodell vorgestellt: Muse Voice Transcribe. Das System transkribiert laufende Gespräche, erkennt Satzenden und unterscheidet Sprecher — alles in einem Modell, also ohne zusätzliche Tools. Meta bringt die Funktion in Meta AI und Muse Code und bietet Zugriff über die Meta‑Model‑API an.
Wie Muse arbeitet
Muse zerlegt den Ton in sehr kurze Abschnitte von etwa 80 Millisekunden und entscheidet nach jedem Abschnitt, ob es weiter zuhört oder schon das nächste Wort ausgibt. Bei einfachen Wörtern liefert das Modell schneller Text, bei schwierigen Passagen wartet es länger — das Ergebnis eines Trainings mit Reinforcement Learning. Dabei erhielt das Modell Belohnungen für geringe Fehlerzahlen und kurze Verzögerungen, sodass es automatisch zwischen Genauigkeit und Tempo abwägt.
Sprecher‑ und Satzmarkierungen
Das System markiert im Transkript, wo ein Sprecherwechsel stattfindet (Kennungen A–Z) und signalisiert Beginn und Ende von Äußerungen. Meta gibt an, dass Muse mehr als 20 Sprecher gleichzeitig unterscheiden kann und längere Aufnahmen (auch über eine Stunde) ohne Nachbearbeitung verarbeiten soll. In einer Live‑Demo ordnete Muse Beiträge von acht Personen den einzelnen Sprechern zu.
Mehrsprachigkeit und Kontexthinweise
Muse wurde für über 70 Sprachen trainiert, 25 davon gründlich geprüft. Meta nennt außerdem, dass das Modell mit Sprachwechseln innerhalb eines Satzes umgehen kann. Zusätzliche Hinweise — etwa Angaben zur Sprache oder Schlüsselwörter — sollen die Erkennungsgenauigkeit weiter erhöhen.
Messwerte im Vergleich
Laut einer Analyse von Artificial Analysis erreicht Muse Voice Transcribe eine Wortfehlerrate (WER) von 3,1 % auf Englisch und benötigt im Mittel 0,16 Sekunden, nachdem jemand aufgehört hat zu sprechen, bis das Transkript fertig ist. Zum Vergleich nennt die Analyse:
- Muse Voice Transcribe: 3,1 % WER / 0,16 s
- ElevenLabs Scribe v2 Realtime: 3,6 % WER / 0,14 s
- AssemblyAI Universal‑3.5 Pro Realtime: 4,0 % WER
- Cartesia Ink‑2: 3,4 % bzw. 4,0 % WER je nach Methode zur Satzenderkennung
Verfügbarkeit und Preis
Die Funktion ist ab sofort in Meta AI und Muse Code integriert und über die Meta‑Model‑API nutzbar. Du kannst Muse Voice Transcribe in Anwendungen aktivieren, indem du die Fn‑Taste gedrückt hältst. Preislich liegt Meta bei 0,18 US‑Dollar pro Stunde (entspricht etwa 3 US‑Dollar pro 1.000 Audiominuten). Damit positioniert sich Meta günstiger als einige Wettbewerber (Cartesia rund 4 $, ElevenLabs etwa 6,50 $ pro 1.000 Minuten).
Offene Fragen
- Meta nennt weder die Anzahl der Modellparameter noch Details zu den verwendeten Trainingsdaten.
- Meta veröffentlicht die Modellgewichte nicht.
- Zu diesen Punkten bleiben damit wichtige technische Informationen unklar.
Politischer Kontext
Meta ordnet das Produkt der Idee einer „persönlichen Superintelligenz“ zu — also KI‑Agenten, die permanent zuhören könnten, etwa über KI‑Brillen. Solche Anwendungsfälle sind politisch umstritten. In Deutschland gab es zuletzt Diskussionen um Metas Kamera‑Brille; die Bundesnetzagentur verfolgte ein mögliches Verbot nicht weiter.
Organisatorisches
Muse entstand in Metas neu formierten Superintelligence Labs, die im Sommer 2025 umgestaltet wurden. Für Projekte wie dieses hat Meta laut eigenen Angaben Forscherinnen und Forscher aus anderen großen KI‑Labors abgeworben; einige der Betroffenen kehrten später zu OpenAI zurück.
Quellen
- Quelle: Meta
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
