Meta: Muse Voice Transcribe 1.0

Muse Voice Transcribe 1.0 est le modèle de perception audio de Meta destiné à transcrire la parole, à détecter les limites des énoncés et à attribuer les tours de parole aux locuteurs. Il appartient à la famille de modèles Muse Spark et réunit dans un même modèle la reconnaissance vocale, la diarisation et la détection des fins de tours de parole. Il produit le texte reconnu, accompagné des informations temporelles et des indications de locuteur disponibles dans le mode choisi.

Le modèle traite l’audio par blocs de 80 millisecondes et décide s’il doit continuer à écouter ou émettre du texte. Son délai adaptatif lui permet d’attendre des données audio supplémentaires lorsqu’un mot est plus difficile à déterminer. Il produit ainsi du texte provisoire pendant que la parole arrive, puis des résultats de transcription terminés. Considérez l’hypothèse provisoire et le tour de parole terminé comme deux étapes distinctes de l’écoute.

Vous pouvez choisir parmi trois modes. Push-to-talk est le mode par défaut pour un énoncé unique et maîtrisé, par exemple une requête vocale ou un court passage dicté. Endpointing laisse le modèle détecter les limites des tours de parole et renvoyer une transcription terminée pour chaque segment détecté. Diarization attribue la parole reconnue à des étiquettes de locuteur ; ce mode vise les enregistrements à plusieurs locuteurs plutôt que les échanges de commandes vocales les plus rapides.

Pour un enregistrement, la procédure de transcription de fichier renvoie une transcription complète en une seule requête. Le résultat par défaut est un objet JSON contenant la transcription et la durée de l’audio, avec un tableau turns dans les modes Endpointing et Diarization. Chaque tour de parole peut comporter un identifiant, un début et une fin en millisecondes ainsi que son texte reconnu. Les étiquettes de locuteur sont présentes en mode Diarization. Push-to-talk produit la transcription complète sans tours de parole détectés dans ce tableau. L’interface du fabricant pour les fichiers enregistrés peut également renvoyer du texte brut ou un flux d’événements de transcription. Le texte brut conserve les tours de parole détectés sur des lignes distinctes et peut inclure les étiquettes de locuteur ; un flux d’événements se termine après son dernier événement, sans récapitulatif JSON séparé. Son mode provisoire delta renvoie le texte de façon incrémentale, tandis que l’événement de transcription finale contient la formulation complète.

Préparez un fichier RIFF/WAVE contenant un signal PCM mono à entiers de 16 bits, échantillonné à 16 ou 24 kHz. La fréquence native du modèle est de 24 kHz et l’interface accepte également 16 kHz. Convertissez les autres conteneurs ou encodages dans cette forme WAV prise en charge avant de fournir un enregistrement. Le profil de transcription de fichier autorise jusqu’à 10 minutes d’audio et un corps de requête total de 32 Mo. Conservez l’enregistrement original et toute conversion avec la transcription renvoyée, afin de pouvoir la vérifier ensuite à l’écoute.

La procédure d’audio en direct utilise du PCM brut mono, signé, de 16 bits, au format petit-boutiste, à 16 ou 24 kHz, envoyé approximativement au rythme du temps réel. Sa durée de session documentée est de 60 minutes. Meta décrit une entrée audio native dépassant une heure ; les limites documentées des fichiers et des sessions en direct restent des limites d’interface distinctes. Choisissez la procédure de fichier enregistré ou celle de direct selon que l’audio est déjà complet ou encore en cours de capture, et conservez les résultats de chaque session avec les segments d’entrée correspondants.

Muse Voice Transcribe a été entraîné sur plus de 70 langues, tandis que l’interface de reconnaissance documentée énumère 25 langues prises en charge. Elles comprennent l’anglais, le français, l’allemand, l’espagnol, l’arabe, le chinois mandarin, l’hindi, le japonais, le coréen, l’italien et le portugais. Le modèle reconnaît l’alternance entre langues au sein d’une phrase ou entre les phrases. Une indication de langue peut nommer les langues attendues dans l’audio, mais elle oriente la reconnaissance sans imposer une langue unique à la transcription.

Les indications de vocabulaire facilitent la reconnaissance des termes de produit, des sigles, des noms ou des lieux importants dans un enregistrement. Fournissez les mots réels et les graphies que vous vous attendez à entendre. La liste de mots-clés oriente la reconnaissance sans garantir une graphie exacte ; vérifiez donc les termes décisifs à partir de l’audio. Les indications de langue et les mots-clés sont choisis au début de la transcription ; adaptez-les à l’enregistrement concerné plutôt que d’en modifier le sens pendant une session.

Le modèle prend en charge la diarisation de conversations réunissant plus de 20 locuteurs. Des étiquettes comme A et B identifient les locuteurs au sein d’une transcription. Elles ne constituent pas des noms vérifiés et n’établissent pas qu’une étiquette désigne la même personne dans une autre session. Pour une tâche d’analyse d’une réunion originale, demandez des tours de parole attribués aux locuteurs, conservez l’enregistrement et utilisez les étiquettes pour organiser la discussion avant d’associer de vrais noms de participants dans la procédure qui l’entoure.

Les transcriptions provisoires en direct peuvent changer à mesure que la parole arrive. En mode cumulatif, chaque résultat provisoire remplace l’hypothèse précédente au lieu d’en ajouter une copie. Une fin de parole détectée marque une limite, tandis que le résultat du tour de parole terminé fournit le texte définitif et peut différer du dernier résultat provisoire. Conservez les tours de parole qui se chevauchent avec leurs identifiants respectifs et récupérez les résultats terminés avant de considérer la transcription comme achevée. Lorsque l’entrée en direct prend fin, signalez la fin de l’entrée et continuez à recevoir jusqu’à ce que le système producteur ait transmis tous les résultats en attente. Fermer immédiatement la connexion peut faire perdre ces résultats ; une limite de parole détectée termine un tour de parole, pas la session entière.

Le repérage temporel se fait au niveau des tours de parole. Ce profil ne fournit ni horodatages mot à mot ni scores de confiance, et la progression du traitement audio n’est pas l’horodatage d’un mot particulier. La détection d’événements sonores, la détection des émotions et la remise en forme de la transcription se situent également hors du profil de sortie documenté. Utilisez les intervalles renvoyés pour construire une chronologie des locuteurs ou vérifier des segments, et conservez les mots reconnus si une étape de révision distincte crée ensuite des notes plus lisibles.

Les livrables utiles comprennent un passage dicté complet, une transcription de requête vocale, une conversation attribuée aux locuteurs ou une chronologie des énoncés. Comparez les noms, les nombres et les termes techniques avec l’enregistrement original, préservez les associations entre le mode et les informations temporelles, et gardez les tours de parole complets à disposition pour vérification. La transcription établit ce qui a été reconnu dans l’audio ; répondre à une question orale, la traduire ou la transformer en compte rendu de réunion relève d’une étape ultérieure de l’application.