Meta Superintelligence Labs lance Muse Voice Transcribe, un modèle temps réel pour l'ASR en streaming, la diarisation et l'endpointing
Meta Superintelligence Labs a annoncé cette semaine Muse Voice Transcribe, présenté comme son premier modèle de perception audio en temps réel. Contrairement aux architectures vocales classiques qui enchaînent trois systèmes distincts (transcription, séparation des locuteurs, détection de fin de parole), ce modèle autorégressif unique réalise en une seule passe la transcription vocale en streaming, la diarisation pour plus de 20 locuteurs et l'endpointing, la détection du moment où l'utilisateur a fini de parler, sans traitement postérieur requis. Il est disponible uniquement sous forme d'API hébergée, via Meta Model API, sous le nom muse-voice-transcribe-1.0, au tarif de 3,00 dollars pour 1 000 minutes d'audio, soit 0,18 dollar par heure. Aucun poids du modèle n'a été publié, ce qui exclut tout déploiement en local. Il alimente déjà la dictée dans Meta AI pour Mac et dans Muse Code. Techniquement, l'audio est découpé en segments de 80 millisecondes à 12,5 Hz, chacun converti en un unique jeton audio; après chaque segment, le modèle choisit soit de continuer à écouter, soit d'émettre un mot, le tout piloté par un seul décodeur. Ce délai d'écoute est optimisé par apprentissage par renforcement combinant une récompense de précision et une récompense de latence. Selon les benchmarks d'Artificial Analysis datés du 1er septembre 2026, le modèle atteint 3,1 % de taux d'erreur final à 0,16 seconde après la fin de la parole, devançant Cartesia Ink-2 (3,4 % à 0,43s) et ElevenLabs Scribe v2 Realtime (3,6 % à 0,14s).
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette fusion en un seul modèle change la donne pour les développeurs d'applications vocales, qui devaient jusqu'ici assembler plusieurs briques logicielles avec leurs propres latences et points de défaillance. En supprimant les étapes intermédiaires, Meta promet une latence réduite et une cohérence accrue entre transcription et attribution des locuteurs, un enjeu critique pour les assistants vocaux, les outils de dictée professionnelle ou les plateformes de réunion en ligne. Le support natif de plus de 70 langues, dont 25 jugées suffisamment fiables pour un usage en production, ainsi que la gestion du changement de langue au sein d'une même phrase, ouvre la voie à des usages pour les locuteurs bilingues, un segment souvent mal desservi par les outils existants. La capacité à traiter nativement plus d'une heure d'audio et plus de 20 locuteurs sans post-traitement vise directement les cas d'usage professionnels comme la transcription de réunions longues ou de contenus à plusieurs intervenants. Pour l'industrie vocale, la position de Meta sur la frontière vitesse-précision, devant des acteurs spécialisés comme Soniox, Cartesia et ElevenLabs, montre qu'un acteur généraliste de l'IA peut désormais concurrencer des entreprises focalisées uniquement sur la voix.
Cette sortie s'inscrit dans la course que se livrent les grands laboratoires d'IA pour dominer les interfaces vocales, un terrain longtemps occupé par des spécialistes comme ElevenLabs, Cartesia ou Soniox, avant que les géants généralistes n'y investissent massivement. Le choix de Meta de ne publier ni les poids ni le code source, en ne proposant le modèle que via une API payante, marque une inflexion par rapport à l'image plus ouverte que la société a longtemps cultivée avec sa famille de modèles Llama, et rapproche sa stratégie voix de celle de concurrents comme OpenAI ou ElevenLabs. L'intégration immédiate dans des produits internes, Meta AI pour Mac et Muse Code, suggère une volonté de tester le modèle en conditions réelles avant une éventuelle ouverture à d'autres partenaires. Les résultats publiés par Artificial Analysis, où Meta revendique la première place en transcription vocale en streaming et en diarisation, devront être confirmés par des évaluations indépendantes dans la durée. Reste à savoir si Meta élargira l'accès à ce modèle, en proposera une version allégée, ou si Muse Voice Transcribe restera cantonné à un rôle de brique interne au service de ses propres applications de dictée et de codage assisté par IA.
Pas d'impact direct sur la France/UE