Meta: Muse Voice Transcribe 1.0

Muse Voice Transcribe 1.0 es el modelo de percepción de audio de Meta para transcribir el habla, detectar los límites de los enunciados y atribuir los turnos a sus hablantes. Pertenece a la familia de modelos Muse Spark e integra reconocimiento, diarización y detección del final de turno en el propio modelo. Su salida es el texto reconocido con la información temporal y de hablante disponible en el modo seleccionado.

El modelo procesa el audio en fragmentos de 80 milisegundos y decide cuándo seguir escuchando o emitir texto. Su retardo adaptativo le permite esperar más audio cuando una palabra resulta difícil de resolver. Así genera texto parcial mientras llega el habla y, después, resultados de transcripción completos. La hipótesis parcial y el turno completado son etapas distintas de la experiencia de escucha.

Elija entre tres modos. Push-to-talk es el predeterminado para un único enunciado controlado, como una consulta de voz o un dictado breve. Endpointing permite que el modelo detecte los límites de los turnos de habla y devuelva una transcripción completa por segmento detectado. Diarization atribuye el habla reconocida a etiquetas de hablante y está pensado para grabaciones con varias voces, en lugar del intercambio más rápido de comandos de voz.

Para una grabación, el flujo de transcripción de archivos devuelve la transcripción completa en una sola solicitud. El resultado predeterminado es un JSON que contiene la transcripción y la duración del audio, con un array turns en los modos endpointing y diarization. Cada turno puede incluir un identificador, su inicio y final en milisegundos y el texto reconocido. Las etiquetas de hablante aparecen en el modo diarization. Push-to-talk genera la transcripción completa sin turnos detectados en ese array. La interfaz de archivos grabados del fabricante también puede devolver texto sin formato o un flujo de eventos de transcripción. El texto sin formato mantiene los turnos detectados en líneas separadas y puede incluir etiquetas de hablante; el flujo de eventos termina tras su último evento, sin un resumen JSON aparte. Su modo parcial delta devuelve incrementos de texto, mientras que el evento final de transcripción contiene el texto completo.

Prepare un archivo RIFF/WAVE con audio PCM mono de enteros de 16 bits a 16 o 24 kHz. La frecuencia nativa del modelo es de 24 kHz y la interfaz también acepta 16 kHz. Antes de enviar una grabación, convierta los demás contenedores o codificaciones al formato WAV admitido. El perfil de transcripción de archivos permite audio de hasta 10 minutos y un cuerpo total de solicitud de hasta 32 MB. Conserve la grabación original y cualquier conversión asociadas a la transcripción devuelta para poder revisarla escuchando el audio.

El flujo de audio en directo utiliza PCM mono sin contenedor, con enteros de 16 bits con signo en orden little-endian, a 16 o 24 kHz, enviado aproximadamente en tiempo real. Su ventana de sesión documentada es de 60 minutos. Meta describe una entrada de audio nativa superior a una hora; los límites documentados de archivo y sesión en directo siguen siendo límites de interfaces separados. Elija el flujo de archivo o el de audio en directo según si el audio ya está completo o todavía se está capturando, y mantenga los resultados de cada sesión asociados a sus propios segmentos de entrada.

Muse Voice Transcribe se entrena con más de 70 idiomas, mientras que la interfaz de reconocimiento documentada enumera 25 idiomas admitidos. Entre ellos figuran inglés, francés, alemán, español, árabe, chino mandarín, hindi, japonés, coreano, italiano y portugués. Reconoce la alternancia de idiomas dentro de las frases y entre ellas. Una indicación de idioma puede nombrar los idiomas esperados en el audio, pero orienta el reconocimiento en lugar de forzar la transcripción a un único idioma.

Las indicaciones de vocabulario ayudan con términos de productos, siglas, nombres o lugares importantes en una grabación. Proporcione las palabras y grafías reales que espera oír. La lista de palabras clave influye en el reconocimiento sin garantizar una grafía exacta, por lo que conviene comprobar los términos decisivos con el audio. Las indicaciones de idioma y las palabras clave se seleccionan al iniciar la transcripción; manténgalas adecuadas a esa grabación, sin cambiar su significado durante la sesión.

El modelo admite diarización de conversaciones con más de 20 hablantes. Etiquetas como A y B identifican voces dentro de una transcripción. No son nombres verificados ni demuestran que una etiqueta corresponda a la misma persona en otra sesión. Para analizar una reunión original, solicite turnos atribuidos a hablantes, conserve la grabación y utilice las etiquetas para organizar la conversación antes de asignar nombres reales mediante el flujo de trabajo de la aplicación.

Las transcripciones parciales en directo pueden cambiar a medida que llega más habla. En modo acumulativo, cada resultado parcial sustituye a la hipótesis anterior en vez de añadir otra copia. La detección del final del habla marca un límite, mientras que el resultado del turno completado aporta el texto final, que puede diferir del último parcial. Mantenga los turnos solapados asociados a sus identificadores y procese los resultados completos antes de considerar terminada una transcripción. Cuando termine la entrada en directo, señale su final y siga recibiendo hasta que el productor termine de emitir los resultados pendientes. Cerrar la conexión inmediatamente puede hacer que se pierdan; un límite de habla detectado termina un turno, no toda la sesión.

Las marcas temporales son por turno. Este perfil no ofrece marcas por palabra ni puntuaciones de confianza, y el progreso de procesamiento del audio no es la marca temporal de una palabra concreta. La detección de eventos sonoros, la detección de emociones y el reformateo de la transcripción también quedan fuera de la salida documentada. Utilice los intervalos de turno devueltos para una cronología de hablantes o una revisión por segmentos, y conserve las palabras reconocidas si una etapa de edición separada crea después notas más limpias.

Entre los resultados útiles están un dictado completado, la transcripción de una consulta de voz, una conversación atribuida a hablantes o una cronología de enunciados. Compare nombres, números y términos técnicos con la grabación original, preserve el modo y las asociaciones temporales y mantenga disponibles los turnos completos para su revisión. La transcripción establece lo reconocido en el audio; responder a una pregunta hablada, traducirla o convertirla en notas de reunión corresponde a una etapa posterior de la aplicación.