Meta lancia Muse Voice Transcribe con ASR streaming e diarizzazione oltre 20 speaker

Risposta diretta: Muse Voice Transcribe combina trascrizione, cambio lingua, segmentazione dei turni ed endpointing nello stesso flusso. È interessante per riunioni e agenti vocali, ma la copertura linguistica verificata è più stretta di quella di training e il prodotto resta chiuso via API.

Come funziona lo streaming

L’audio viene elaborato in blocchi da 80 millisecondi. Il modello decide quando ascoltare altro audio e quando emettere testo, regolando dinamicamente il ritardo parola per parola per bilanciare accuratezza e latenza.

Diarizzazione ed endpointing

Token speciali marcano cambi di turno, identità dello speaker, inizio e fine del parlato. Meta dichiara più di 20 speaker e audio oltre un’ora senza post-processing obbligatorio.

Lingue e code-switching

Il training copre oltre 70 lingue, ma il lancio raccomanda 25 lingue validate. Il supporto a cambi di lingua dentro la stessa frase e al context biasing va provato su accenti, nomi propri e domini reali.

Come leggere i benchmark

Meta riporta 3,1% di word error rate nello streaming finale e 17,5% di diarization error rate nell’aggregato mostrato. Dataset, concorrenti e configurazioni vanno mantenuti accanto ai numeri: non sono una garanzia su sale rumorose o microfoni differenti.

Disponibilità e limiti

Il modello è offerto tramite API Meta e non con pesi scaricabili. Costi, retention, regioni e trattamento dell’audio devono essere verificati prima di inviare conversazioni reali o dati sensibili.

Procedura verificabile

1. Selezionare campioni con rumore, sovrapposizioni, accenti e nomi propri.
2. Confrontare WER, DER, latenza finale e costo sullo stesso audio.
3. Provare italiano e code-switching senza assumere equivalenza tra 70 lingue di training e 25 validate.
4. Verificare condizioni API, privacy, regione e conservazione prima dei dati reali.
5. Mantenere una trascrizione di fallback per i workflow critici.

Fonti primarie