Meta: Muse Voice Transcribe 1.0
Muse Voice Transcribe 1.0 是 Meta 的語音轉文字模型，可用於聽寫、偵測語音輪次，以及產生附有說話者資訊的逐字稿。它支援語言與詞彙提示、語碼轉換及輪次層級的時間資訊，並為錄製完成的片段與即時音訊提供各自的工作流程。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Muse Voice Transcribe 1.0 是 Meta 的音訊感知模型，用於轉錄語音、偵測話語邊界，以及將發言輪次歸給說話者。它屬於 Muse Spark 模型系列，模型內整合辨識、說話者分離與端點偵測。輸出是辨識文字，以及所選模式可提供的時間與說話者資訊。
模型以 80 毫秒片段處理音訊，決定要繼續聆聽或輸出文字。自適應延遲讓它在某個詞較難辨識時等待更多音訊。因此，語音持續傳入時會產生部分文字，之後才給出完成的轉錄結果。請將暫時辨識假設與完成輪次視為聆聽體驗的不同階段。
可選三種模式。按住說話是單一、可控制話語的預設模式，例如語音查詢或短篇口述。端點偵測讓模型找出發言輪次邊界，對每個偵測片段回傳一份完成轉錄。說話者分離將辨識語音歸給說話者標籤，適用於多說話者錄音，而不是追求最快語音命令輪替的用途。
已錄製片段可用檔案轉錄流程，在一次請求中回傳完整逐字稿。預設結果是包含逐字稿與音訊時長的 JSON，端點偵測與說話者分離模式另有 turns 陣列。每個輪次可包含識別碼、以毫秒表示的開始與結束時間，以及辨識文字。說話者標籤出現在說話者分離模式。按住說話會產生完整逐字稿，但該陣列沒有偵測輪次。製造商的錄音檔介面也可回傳純文字或轉錄事件串流。純文字將偵測輪次分行，並可包含說話者標籤；事件串流在最後事件後結束，不另外提供 JSON 摘要。其增量部分結果模式回傳新增文字，最終轉錄事件則包含完整措辭。
請準備 RIFF/WAVE 檔案，內容為單聲道、16 位元整數 PCM，取樣率 16 或 24 kHz。模型原生取樣率為 24 kHz，介面也接受 16 kHz。提供錄音前，請將其他容器或編碼轉成此支援的 WAV 格式。檔案轉錄設定檔允許最多 10 分鐘音訊，整個請求本文最多 32 MB。將原始錄音及任何轉換與回傳逐字稿連結保留，以便之後聆聽檢查。
即時音訊流程使用原始有號 16 位元、小端序、單聲道 PCM，音訊為 16 或 24 kHz，並大致依即時速度傳入。文件記載的工作階段視窗是 60 分鐘。Meta 描述原生音訊輸入可超過一小時；文件中的檔案與即時階段限制，仍是各自獨立的介面邊界。請依音訊是否已錄完或仍在擷取，選擇檔案或即時流程，並讓不同工作階段的結果各自對應自己的輸入片段。
Muse Voice Transcribe 以超過 70 種語言訓練，而文件中的辨識介面列出 25 種支援語言，包括英文、法文、德文、西班牙文、阿拉伯文、華語、印地文、日文、韓文、義大利文與葡萄牙文。它能辨識句內或句間的語碼切換。語言提示可列出音訊中預期出現的語言，但它是引導辨識，不是強制把逐字稿轉成單一語言。
詞彙提示可協助辨識錄音中的重要產品術語、縮寫、姓名或地名。請提供預期聽到的實際詞語與拼法。關鍵字清單會影響辨識傾向，但不保證精確拼字，因此重要術語仍須對照音訊檢查。語言提示與關鍵字在開始轉錄時選定；請讓它們適合該錄音，不要在工作階段進行中改變其意義。
模型支援超過 20 位說話者的對話分離。A 與 B 之類標籤只識別單次轉錄內的說話者，不是已驗證姓名，也不能確立另一個工作階段中的相同標籤就是同一人。原創會議分析任務可要求歸屬說話者的發言輪次、保留錄音，先用標籤整理討論，再透過周邊流程指定實際參與者姓名。
隨著更多語音傳入，即時部分逐字稿可能改變。累積模式下，每個部分結果取代前一個假設，而不是再加上一份副本。偵測到語音結束表示一個邊界；完成輪次結果提供最終文字，可能與最後部分結果不同。讓重疊輪次保持對應其輪次識別碼，並先處理完成結果，再把逐字稿視為完成。即時輸入結束時，發出輸入結束訊號，繼續接收直到開發者端送完待處理結果。立即關閉連線可能遺失那些結果；偵測語音邊界只結束一輪發言，不是結束整個工作階段。
時間資訊以輪次為單位。此設定檔不提供逐詞時間戳記或信心分數，音訊處理進度也不是某個詞的時間戳記。聲音事件偵測、情緒偵測與逐字稿重新排版，同樣不在文件記載的輸出範圍。請將回傳輪次區間用於說話者時間軸或片段層級檢查；若之後另一個編輯步驟產生更整潔的筆記，仍保留辨識原文。
實用成品包括完成的口述段落、語音查詢逐字稿、歸屬說話者的對話，或話語時間軸。請將姓名、數字與技術術語對照原始錄音，保留模式與時間對應，讓完整輪次可供檢查。轉錄確立的是音訊中辨識出的內容；回答口述問題、翻譯或轉成會議筆記，屬於後續應用程式步驟。
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions meta/muse-voice-transcribe-1.0
meta/muse-voice-transcribe-1.0
meta/muse-voice-transcribe-1.0入門
Muse Voice Transcribe 1.0 是 Meta 的語音轉文字模型，可用於聽寫、偵測語音輪次，以及產生附有說話者資訊的逐字稿。它支援語言與詞彙提示、語碼轉換及輪次層級的時間資訊，並為錄製完成的片段與即時音訊提供各自的工作流程。
- 接受的輸入
- 音訊
- 結果
- 文字
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions
- 輸入
audio- 輸出
text
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 meta/muse-voice-transcribe-1.0 | 預設值— |
欄位input_audio | 類型object | 要求必填 | 值與限制 | 預設值— |
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input_audio |
參數material_types | 規格audio |
參數material_conditions | 規格此範例會讀取您實際使用且非空的 PCM WAV 檔案，將完整檔案位元組編碼為 base64，並將 input_audio.format 設為 wav 傳送。 |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 現有自有媒體紀錄中完全相符的 task_id
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
方案
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
Ailoot 費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 計費單位 | 費用 |
|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 計費單位— | 費用 輸入 · 輸入 Token — / 1K Token 輸出 · 輸出 Token — / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定輸入音訊秒數 | 費率表— | 計費單位每秒輸入音訊 | 費用 輸入 · 輸入音訊秒數 $0.0001 每秒輸入音訊 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音轉文字
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'meta/muse-voice-transcribe-1.0', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.
接收並儲存結果
Ailoot Ultra · 語音轉文字
完整的原始回應本文、狀態與轉送標頭。此處理常式不會加入通用的 JSON 結構、文字欄位或工作封裝。
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留完整回應與標頭、所有實際輸出、原始回傳的識別碼，以及所有用量欄位。恢復原始作業時，請勿再次提交建立請求。
需要檢查原始回應時
請保留實際的 X-Client-Request-ID 與完整回應。請讀取原始自有資產及其完全相符的簽署內容 URL；切勿重新提交結果不明的建立請求。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位text (when present) | 類型 |
欄位usage (when present) | 類型 |
錯誤與後續步驟
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件JSON 本文或明確的標準模型 ID 無效。 | 下一步請保留回應，並修正指出的請求欄位。 |
回應401 · authentication_error | 條件Ailoot API 金鑰無效。 | 下一步請使用您已獲授權的 Ailoot API 金鑰。 |
回應403 · permission_error | 條件此金鑰群組未獲准使用該方法。 | 下一步請保留回傳的錯誤詳細資訊。 |
回應404 · not_found_error | 條件所選方法沒有獲准使用的路由。 | 下一步請保留回傳的錯誤詳細資訊。 |
回應422 · price_unavailable | 條件已接受的費率無法取得其所需的輸入數量或界限。 | 下一步請保留回應，並使用已接受費率所要求的輸入表示方式。 |
回應503 · | 條件所需的儲存系統、路由、方法價格或預留額度無法使用。 | 下一步請保留完整的原始回應。預留額度狀態不明並不代表可以重新提交。 |
回應502 · server_error | 條件原始結果、用量或結算需要查核。 | 下一步請保留實際的請求 ID 與原始回應。請讀取現有的自有紀錄，切勿重新提交建立請求。 |
別名
模型別名
Ailoot Ultra meta/muse-voice-transcribe-1.0
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · Meta: Muse Voice Transcribe 1.0
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·meta/muse-voice-transcribe-1.0:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·meta/muse-voice-transcribe-1.0:model,input_audio