Meta está ingresando al cada vez más competitivo mercado de conversión de voz a texto en tiempo real con Muse Voice Transcribe, un nuevo modelo de percepción de audio que combina transcripción en streaming, detección de puntos finales y registro de locutores para más de 20 hablantes, a un precio API público de solo $0,18 por hora de audio procesado.
Desarrollado por Meta Superintelligence Labs, Muse está diseñado para procesar el habla mientras se produce, en lugar de esperar a que finalice la grabación. meta publicación de lanzamiento de Muse Voice Transcribe dice que el modelo admite audio de más de una hora, cambio de código multilingüe sin interrupciones, sesgo de idioma y palabras clave, y diario sin un proceso de posprocesamiento separado. El modelo se entrenó en más de 70 idiomas, 25 de los cuales se validaron exhaustivamente para la versión inicial.
La cifra de más de 20 oradores es sustancial, pero no es un récord mundial. Una revisión de la documentación actual de los proveedores revela sistemas con límites máximos publicados más altos. Servicio de transcripción en tiempo real de Speechmatics dice que puede identificar 50 hablantes de forma predeterminada y hasta 100 cuando se aumenta el límite, mientras que Documentación de registro diario de Amazon Transcribe especifica un máximo de 30 hablantes únicos, incluso para la transcripción en streaming. (Discurso)
Sin embargo, Muse aterriza en el extremo superior del mercado, y la propuesta más amplia de Meta es posiblemente más importante que el máximo bruto: registro diario de alta capacidad en tiempo real combinado con transcripción de baja latencia, endpointing, cambio de código multilingüe y precios API agresivos en el mismo modelo.
Para los desarrolladores empresariales que crean sistemas de reuniones, análisis de llamadas, asistentes en vivo o IA ambiental, esa combinación podría importar más que quién tiene el récord de oradores.
La diarización se está convirtiendo en parte del núcleo de voz
El reconocimiento de voz tradicional responde a una pregunta relativamente simple: ¿Qué se dijo? La diarización añade otra: ¿Quién lo dijo?
Esa distinción se vuelve crítica a medida que las transcripciones alimentan los sistemas de IA posteriores. Un asistente de reunión puede transcribir correctamente cada frase y aun así crear un registro corporativo poco fiable si atribuye una aprobación, compromiso u objeción al participante equivocado. El mismo problema afecta los análisis de servicio al cliente, los flujos de trabajo de cumplimiento y los agentes de inteligencia artificial que operan en salas donde varias personas pueden hablar.
Muse incorpora la atribución del hablante directamente en su arquitectura multimodal autorregresiva. Meta dice que el audio llega en fragmentos de 80 milisegundos, o 12,5 fragmentos por segundo, y cada uno de ellos se transforma en un token blando. En cada paso, el modelo decide si consume más audio o emite texto. Meta llama a este mecanismo retraso adaptativo: en lugar de aplicar un presupuesto de latencia a cada palabra, Muse puede esperar más cuando el habla es ambigua y comprometerse antes cuando tiene suficiente contexto. Meta dice que el aprendizaje por refuerzo combina la tasa de error de palabras y recompensas por retraso para entrenar ese comportamiento. Explicación técnica de Meta sobre Muse detalla la arquitectura. (Investigación de meta-IA)
La atribución del hablante y la asignación de puntos finales pasan a formar parte de la misma secuencia de tokens. A token marks a potential new speaker turn, tokens such as identify the speaker, and separate onset and endpoint tokens identify speech boundaries. Meta says it trains ASR, diarization and endpointing together rather than running speaker clustering as an unrelated downstream process.
Meta’s Model API speech-to-text documentation also exposes diarization as a first-class operating mode alongside push-to-talk and endpointing. Speaker labels such as A and B are scoped to a session rather than verified identities, and the API provides turn-level rather than word-level timestamps.
20+ speakers is high, but Speechmatics goes considerably higher
Speaker-count comparisons require care because vendors implement diarization differently and do not all publish a maximum.
Speechmatics currently makes the strongest explicit real-time capacity claim found in this review. Its real-time STT documentation says speaker diarization is available live, while its real-time FAQ says the system supports 50 speakers by default and can be increased to 100.
AWS likewise exceeds Meta’s stated figure: Amazon Transcribe can differentiate a maximum of 30 unique speakers, and AWS provides explicit instructions for speaker partitioning in a streaming transcription.
Soniox supports diarization in both real-time and asynchronous processing, but documents a maximum of 15 speakers per session. AssemblyAI’s streaming diarization system lets developers set max_speakers entre uno y 10. Ambas compañías advierten que la atribución de oradores en vivo es más difícil porque los sistemas de transmisión deben tomar decisiones con menos contexto de audio futuro que los modelos fuera de línea.
API de voz a texto actual de xAI también admite la registro de hablantes en modo de transmisión, pero la documentación revisada para esta historia no publica un recuento máximo de hablantes registrados, por lo que no es posible una comparación directa del techo con Muse. (Documentos X.ai)
Eso significa que sería inexacto describir la capacidad de más de 20 unidades de Muse como un nuevo récord global. El número más alto en tiempo real documentado explícitamente identificado en esta encuesta es el techo configurable de 100 parlantes de Speechmatics.
Meta tampoco muestra más de 20 participantes simultáneos en su material de lanzamiento. Su principal demostración en vivo utiliza ocho oradores, mientras que su grabación de larga duración contiene 11 participantes etiquetados. El número de más de 20 es una capacidad del modelo declarada y no el recuento de participantes en las demostraciones públicas.
A 0,18 dólares la hora, Muse compite agresivamente en precio
Los precios de Meta hacen que el panorama competitivo sea más interesante.
Según su Página del desarrollador de Muse Voice TranscribeMuse cuesta 3 dólares por 1.000 minutos, o 0,18 dólares por hora. La transcripción en streaming y sin streaming cuesta lo mismo, y Meta dice que el procesamiento sin retención de datos tiene el mismo precio que el procesamiento estándar. La facturación se aplica al audio realmente procesado y se redondea a segundos completos.
La estandarización de las tarifas publicadas públicamente a una hora de transmisión de audio ofrece la siguiente comparación aproximada:
La comparación es necesariamente imperfecta. El precio de Qwen varía según la geografía de implementación; su tasa internacional en tiempo real de 0,00009 dólares por segundo equivale aproximadamente a 0,324 dólares por hora. La cifra Gemini de Google es un costo simbólico combinado estimado en lugar de una tarifa fija por hora. Los precios de AWS varían según la región y el nivel de uso. ElevenLabs incluye $0,39 por hora en su página de precios de API, pero anuncia $0,28 por hora o menos en planes comerciales anuales.
El precio de Deepgram ilustra particularmente por qué son importantes las comparaciones a nivel de funciones: su tarifa actual de transmisión multilingüe Nova-3 es de aproximadamente $0,35 por hora, pero la registro del hablante cuesta otros 0,002 dólares por minutolo que eleva el total comparable a aproximadamente 0,47 dólares por hora. De manera similar, AssemblyAI enumera $ 0,45 por hora para Universal-3.5 Pro Realtime y otros $ 0,12 por hora para la digitalización de transmisión.
La cartesia es más difícil de normalizar porque Ink-2 se ofrece mediante planes de crédito mensuales en lugar de una simple tarifa horaria de reparto medida. Su plan Pro de $5 incluye aproximadamente nueve horas y 16 minutos de transcripción Ink-2, lo que equivale a aproximadamente $0,54 por hora de transcripción si cada crédito se consume exclusivamente en STT. Esto no debe tratarse como equivalente a una tarifa API independiente de 0,54 dólares por hora.
Incluso con esas salvedades, el posicionamiento de Muse es claro. No es el servicio de transcripción de streaming más barato (Soniox actualmente publica una tarifa equivalente más baja), pero 0,18 dólares por hora con diarización incluida sitúa a Meta en el extremo inferior del mercado, especialmente frente a proveedores que cobran por separado por la atribución de oradores.
Con 1.000 horas de audio procesado, la tarifa pública de Meta implica aproximadamente 180 dólares en cargos de transcripción.
Meta también lidera sus puntos de referencia de precisión de lanzamiento
El precio importa menos si conlleva una gran penalización en la precisión. El material de referencia de Meta sostiene lo contrario.
En el índice de transmisión AA-WER de análisis artificial proporcionado con el lanzamiento, Muse registra una tasa de error de palabra en la transcripción final del 3,1%, por delante de Cartesia Ink-2 con un 3,4%, ElevenLabs Scribe v2 Realtime con un 3,6%, Qwen3 ASR Flash Realtime con un 3,7%, GPT Live Transcribe y Grok Speech to Text Streaming con un 3,9%, y Gemini 3.5 Transcribe Live y AssemblyAI. U3.5 Realtime Pro al 4,0%.
Meta señala que Muse ocupó el puesto número uno en una empresa independiente de evaluación comparativa de IA Evaluación de transmisión de voz a texto de Artificial Analysis a partir del 1 de septiembre. Meta publicó los siguientes gráficos de referencia en su publicación de lanzamiento.
El resultado de su diarización puede ser aún más relevante para el posicionamiento del producto. Meta informa una tasa de error de registro promedio del 17,5 % en AMI-IHM, AMI-SDM y VoxConverse, inferior a la de los sistemas de la competencia que se muestran en su gráfico.
No se deben combinar la capacidad de los hablantes y la tasa de error de diario. Una plataforma capaz de representar a 100 personas no es automáticamente mejor atribuyendo correctamente el habla que una que admita 20, y el punto de referencia de Meta no prueba a todos los competidores que operan con el número máximo de hablantes anunciado.
También existen compensaciones en materia de implementación. La API de Meta actualmente proporciona marcas de tiempo a nivel de turno, pero no a nivel de palabra, y no expone puntuaciones de confianza a nivel de palabra, detección de eventos de sonido o detección de emociones. La documentación también especifica ocho transmisiones simultáneas por inquilino de forma predeterminada y sesiones en tiempo real de hasta 60 minutos antes de que una aplicación deba volver a conectarse.
Aún así, el lanzamiento de Muse crea una propuesta de precio-rendimiento inusualmente clara. Su diario de más de 20 oradores no establece un récord mundial, pero el récord puede ser la métrica menos importante. Para los desarrolladores empresariales, la pregunta más importante es si un servicio puede preservar la atribución del hablante, el texto preciso y los límites de turnos utilizables mientras aún se desarrolla una complicada conversación del mundo real.
A $0,18 por hora, con registro de más de 20 oradores dentro del mismo modelo en tiempo real que actualmente lidera los puntos de referencia de precisión de transmisión proporcionados por Meta, Muse Voice Transcribe ofrece a los equipos empresariales una nueva opción seria para inteligencia de reuniones, transcripción en vivo e infraestructura de agentes de voz, al tiempo que ejerce presión adicional sobre los competidores para competir en precisión de reconocimiento de orador y costo operativo total, no simplemente en reconocimiento de voz sin formato.
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
