Meta เปิดตัว Muse Voice AI Transcribe ถอดความ แยกคน-แยกภาษาได้
Meta เปิดตัว Muse Voice AI Transcribe ถอดความ แยกคน-แยกภาษาได้แบบเรียลไทม์ รองรับผู้พูดกว่า 20 คน สลับภาษาได้แม่นยำ
Meta เปิดตัว Muse Voice Transcribe โมเดลเสียงแบบเรียลไทม์ตัวแรกของบริษัท ซึ่งมีความสามารถในการพิมพ์ตามคำบอก (Dictation) และการถอดความ (Transcription) สำหรับผู้พูดมากกว่า 20 คน และสามารถจัดการหลายภาษารวมกันได้อย่างราบรื่น
Zuckerberg อธิบายว่า “โมเดลจะตัดสินใจเองว่าเมื่อไหร่ควรฟัง โดยจะรอให้นานขึ้นสำหรับคำที่ยาก และยืนยันคำได้เร็วขึ้นสำหรับคำที่ง่าย โดยใช้ Adaptive Delay เพื่อคาดการณ์แต่ละ Token และเพิ่มความแม่นยำ”
นอกจากนี้เขายังระบุว่าโมเดลยังทำงานได้ดีกับเสียงจริงที่วุ่นวาย โดยได้รับการฝึกฝนจากกว่า 70 ภาษา (ตรวจสอบแล้ว 25 ภาษาในการเปิดตัว) รองรับการสลับภาษา และจัดการเซสชันที่ยาวเป็นชั่วโมงพร้อมผู้พูดมากกว่า 20 คนได้
การเปิดตัวของ Meta เกิดขึ้นไม่ถึงหนึ่งสัปดาห์หลังจาก Google เปิดตัว Gemini 3.5 Transcribe ซึ่งเป็นโมเดลเสียงที่มีความสามารถใกล้เคียงกัน แต่ในขณะที่ Google ฝังโมเดลเสียงลงใน Android และ Chrome ในอนาคต ยังไม่ชัดเจนว่า Meta มีแผนจะรวม Muse Voice Transcribe เข้ากับบริการหลักของบริษัทหรือไม่
ในขณะนี้ ผู้ใช้สามารถทดลองความสามารถของโหมดใหม่นี้ได้ในแอป Meta AI สำหรับ Mac ที่เพิ่งเปิดตัว ซึ่งเนื่องจากแอปบน Mac สามารถขับเคลื่อนฟีเจอร์ที่สั่งงานด้วยเสียงในแอปอื่นได้ Muse Voice Transcribe จึงเข้ามาช่วยเพิ่มประสิทธิภาพให้กับการพิมพ์ตามคำบอกในบริการอื่น ๆ
นอกจากนี้ โมเดลดังกล่าวยังเปิดให้เหล่านักพัฒนาใช้งานผ่าน Muse Code และ Meta’s Model API โดยคิดค่าบริการ 3 ดอลลาร์ (ประมาณ 100 บาท) ต่อ 1,000 นาที ของเสียง รวมถึงมีเวอร์ชันเดโมของ Muse Transcribe ให้ทดลองบนบล็อกงานวิจัยของ Meta ด้วย
Muse Voice Transcribe เป็นผลงานล่าสุดจาก Meta Superintelligence Lab (MSI) ซึ่งขยันปล่อยโมเดลและเครื่องมือ AI ใหม่ ๆ ออกมาอย่างต่อเนื่อง โดยในช่วงไม่กี่สัปดาห์ที่ผ่านมา บริษัทได้เปิดตัว Coding Agent ตัวแรก, โมเดลแบบ Open-weight และแอป Meta AI สำหรับ Mac ดังที่กล่าวไป