Nueva herramienta para transcripción automática de voz

El modelo multilingüe desarrollado por Meta Superintelligence Labs procesa audio en tiempo real, identifica hasta 20 hablantes y está entrenado en más de 70 idiomas, con 25 ampliamente verificados.

Meta ha presentado Muse Voice Transcribe, un nuevo modelo de voz en tiempo real multilingüe que detecta la voz, incluso de varios hablantes, para realizar una transcripción precisa. Muse Voice Transcribe ha sido desarrollado por Meta Superintelligence Labs y se presenta como un modelo multimodal autorregresivo de la familia Muse Spark.

El modelo ofrece reconocimiento automático de voz en tiempo real, y para ello, procesa el audio en fragmentos de 80 milisegundos (12,5 Hz) utilizando una técnica llamada retraso adaptativo, que ajusta de forma dinámica el retraso que introduce para predecir la siguiente palabra según la dificultad. De esta forma, ofrece "un equilibrio óptimo entre velocidad y precisión, medido por el tiempo necesario para la transcripción final", según explica Meta.

El modelo es multilingüe y está entrenado en más de 70 idiomas, aunque solo 25 han sido "ampliamente verificados", entre los que se incluyen el español, el portugués, el alemán, el italiano, el inglés, el chino mandarín y el árabe. Meta explica que Muse Voice Transcribe es capaz de distinguir en tiempo real hasta 20 participantes en una conversación, a los que identifica de manera individual con etiquetas del tipo "hablante 1", "hablante 2", etc.

A ello se suma su capacidad para admitir de forma nativa entradas de audio de larga duración, que pueden superar la hora, y la mejora de la precisión mediante el sesgo por idioma, palabras clave y contexto. El modelo está disponible a través de Meta Model API, Meta AI para Mac y Muse Code.