مدل متای Muse Voice Transcribe چندین گوینده و زبان را به طور همزمان تشخیص می دهد

شرکت متا از مدل صوتی جدیدی به نام Muse Voice Transcribe رونمایی کرده است که می تواند چندین گوینده و زبان را به طور همزمان تشخیص دهد.

گزارش کردن سرویس هوش مصنوعی یک مرحله ایاین مدل اولین مدل صوتی بلادرنگ این شرکت است و برای تبدیل سریع گفتار به متن طراحی شده است.

مدل Muse Voice Transcribe می تواند صدای بیش از 20 سخنران را در یک جلسه تشخیص دهد. همچنین قابلیت کار با چندین زبان را به طور همزمان دارد. متا بیان کرده است که این مدل حتی می تواند تغییر زبان را در وسط جمله تشخیص دهد.

این مدل جدید توسط Meta Superintelligence Lab توسعه داده شده است و برای استفاده در محصولات و ابزارهای مختلف متا در نظر گرفته شده است.

بیشتر بخوانید: گوگل از مدل جدید صوتی جمینی رونمایی کرد; حذف خودکار مکث ها و کلمات اضافی

مدل متای Muse Voice Transcript چگونه کار می کند؟

یکی از ویژگی های مهم این مدل قابلیت تشخیص اسپیکرهای مختلف است. این فناوری می تواند صدای افراد مختلف را در یک مکالمه از یکدیگر جدا کند و متن هر گوینده را با دقت بیشتری ضبط کند.

همچنین این مدل برای عملکرد بلادرنگ طراحی شده است. به گفته متا، Muse Voice Transcribe با شنیدن کلمات دشوار کمی بیشتر منتظر می ماند. برعکس، برای کلمات ساده نتیجه را سریعتر ثبت می کند.

این روش به مدل کمک می کند بین سرعت و دقت تعادل برقرار کند. متا همچنین اعلام کرده است که این مدل برای جلسات طولانی طراحی شده است و می تواند مکالمه با بیش از 20 سخنران را انجام دهد.

پشتیبانی از بیش از 70 زبان و تغییر زبان در یک جمله

یکی از ویژگی های جذاب متا مدل Muse Voice Transcribe پشتیبانی گسترده از زبان است. متا بیان کرد که این مدل با بیش از 70 زبان در مراحل آموزشی کار کرده است و در زمان انتشار عملکرد آن برای 25 زبان تایید شده است.

این مدل علاوه بر تشخیص زبان های مختلف، ویژگی مهم دیگری نیز دارد. Muse Voice Transcript می تواند تغییرات زبان را در وسط جمله هنگامی که کاربر در حال صحبت است تشخیص دهد.

به عنوان مثال، اگر فردی از کلمات دو زبان مختلف در یک جمله استفاده کند، مدل می تواند این تغییر را تشخیص داده و متن را مطابق گفتار اصلی ضبط کند.

این قابلیت که Code-Switching نام دارد می تواند برای کاربران چند زبانه بسیار خبرجو باشد.

کاربرد مدل ترانویسی صدای Muse در محصولات متا

متا اعلام کرده است که این مدل قبلا در برخی از محصولات جدید این شرکت استفاده شده است.

یکی از این محصولات اپلیکیشن متا هوش مصنوعی برای مک است. این برنامه می تواند قابلیت های صوتی خود را در سایر اپلیکیشن ها نیز فعال کند. در نتیجه، Muse Voice Transcript اکنون برای عملکرد دیکته صوتی در سایر سرویس‌ها نیز در دسترس است.

همچنین این مدل در Muse Code و Meta Model API در اختیار توسعه دهندگان قرار گرفته است. قیمت استفاده از API 3 دلار برای هر هزار دقیقه صدای پردازش شده است.

رقابت متا و گوگل در زمینه مدل های صوتی

معرفی Muse Voice Transcribe در زمانی انجام می شود که شرکت های بزرگ فناوری تمرکز بیشتری روی مدل های صوتی هوش مصنوعی دارند.

گوگل نیز چندی پیش مدل Gemini 3.5 Transcribe را معرفی کرد. این مدل همچنین ویژگی های پیشرفته ای را برای تبدیل گفتار به متن ارائه می دهد.

با این حال، رویکرد شرکت ها کمی متفاوت است. گوگل قصد دارد از مدل صوتی خود در اندروید و در آینده در مرورگر کروم استفاده کند. مشخص نیست متا چه برنامه‌ای برای استفاده گسترده‌تر از مدل Muse Voice Transcribe در خدمات اصلی خود دارد.

بیشتر بخوانید: مدل صوتی Grok Voice Think Fast 2.0 بهتر از رقبا عمل می کند

متا به توسعه مدل های جدید ادامه می دهد

مدل Muse Voice Transcribe جدیدترین محصول آزمایشگاه متا سوپراینتلیجنس است. این واحد در هفته های اخیر در زمینه هوش مصنوعی بسیار فعال بوده است.

متا قبلاً اولین عامل برنامه نویسی اختصاصی خود، یک مدل Open-Weight و اپلیکیشن متا هوش مصنوعی برای مک را معرفی کرده است.

انتشار مدل صوتی جدید نشان می دهد که متا قصد دارد حضور خود را در حوزه های مختلف هوش مصنوعی گسترش دهد. ویژگی هایی مانند تشخیص چند بلندگو، پشتیبانی از زبان های مختلف و پردازش بلادرنگ می تواند کاربردهای مختلفی برای کاربران و توسعه دهندگان داشته باشد.

خلاصه

مدل متای Muse Voice Transcribe یکی از آخرین تلاش‌های این شرکت برای توسعه فناوری‌های صوتی هوش مصنوعی است. این مدل می تواند بیش از 20 سخنران را در مکالمات طولانی تشخیص دهد و با چندین زبان به طور همزمان کار کند.

پشتیبانی از تغییر زبان در وسط جمله نیز از ویژگی های مهم آن است. این ویژگی می تواند Muse Voice Transcript را به گزینه ای خبرجو برای جلسات، دیکته صوتی و مکالمات چند زبانه تبدیل کند.

در حال حاضر این مدل از طریق برخی محصولات متا و API در اختیار کاربران و توسعه دهندگان قرار گرفته است. باید دید کدام یک از سرویس های اصلی متا در آینده از این فناوری استفاده خواهند کرد.