Meta presenta Muse Voice Transcribe, una IA que identifica más de 20 hablantes en tiempo real

Meta presentó Muse Voice Transcribe, un modelo de percepción de audio en tiempo real capaz de transcribir conversaciones, distinguir más de 20 hablantes y procesar cambios fluidos entre idiomas.
***

• Muse Voice Transcribe procesa audio en bloques de 80 milisegundos y ajusta la demora de cada palabra para equilibrar precisión y velocidad.
• El modelo fue entrenado con más de 70 idiomas, aunque Meta recomienda inicialmente 25 idiomas ampliamente verificados.
• La tecnología está disponible mediante Meta Model API, Meta AI para Mac y Muse Code, según la compañía.

Meta presentó Muse Voice Transcribe, un modelo de percepción de audio en tiempo real diseñado para convertir conversaciones complejas en texto mientras ocurren. La herramienta combina reconocimiento automático del habla, identificación de participantes y detección del momento en que una persona termina de hablar, con soporte multilingüe y capacidad para alternar idiomas dentro de una misma frase.

La compañía describió el sistema como el primer modelo de percepción de audio en tiempo real desarrollado por Meta Superintelligence Labs. Según la presentación de Meta AI Research, Meta afirmó que Muse Voice Transcribe ocupaba el primer lugar en las clasificaciones de Artificial Analysis para reconocimiento de voz en streaming y en benchmarks públicos de diarización al 1 de septiembre de 2026. Esas posiciones, por tanto, corresponden a la fecha indicada y a la afirmación de la compañía, no a una conclusión independiente de este artículo.

Un modelo diseñado para escuchar en tiempo real

Muse Voice Transcribe pertenece a la familia de modelos multimodales autorregresivos Muse Spark. Su arquitectura procesa el audio en bloques de 80 milisegundos, equivalentes a una frecuencia de 12,5 Hz, y transforma cada bloque en un único token suave que el modelo utiliza para decidir qué hacer a continuación.

En cada paso, el sistema determina si necesita escuchar más audio antes de emitir texto. Cuando requiere información adicional, produce un token especial denominado <|next_audio|>, que luego se reemplaza por el siguiente bloque real de sonido; cuando detecta que el flujo terminó, recibe <|empty_audio|> y genera los tokens de texto restantes.

Este diseño le permite controlar cuánto contexto acústico necesita antes de transcribir una palabra, una variable que Meta denomina demora o “delay”. La relación es directa: esperar más puede mejorar la precisión, pero también incrementa la latencia, por lo que el modelo intenta encontrar un punto de equilibrio distinto para cada fragmento de la conversación.

Para resolver esa tensión, Muse Voice Transcribe utiliza una función de “adaptive delay” que cambia dinámicamente el tiempo de espera según la dificultad de cada palabra. La empresa señala que entrenó este comportamiento mediante aprendizaje por refuerzo, combinando de forma multiplicativa una recompensa asociada con la tasa de error por palabra y otra vinculada con la demora.

Diarización para conversaciones con múltiples voces

Una de las características centrales del sistema es la diarización, es decir, la capacidad de determinar quién habla en cada tramo de una grabación. Meta afirma que Muse Voice Transcribe puede manejar más de 20 hablantes sin requerir un procesamiento posterior, una capacidad relevante para reuniones, entrevistas, clases y conversaciones grupales.

El modelo emplea tokens especiales para marcar posibles cambios de participante. El token <|start_of_turn|> señala el inicio de un nuevo turno, mientras que etiquetas como <|speaker_A|> permiten asociar ese fragmento con una voz concreta y mantener la identidad del hablante a lo largo de la sesión.

La identificación no implica que cada aparición del token de cambio corresponda necesariamente a una persona distinta. Un mismo hablante puede iniciar varios segmentos separados, pero el sistema conserva la misma etiqueta para esos tramos, lo que ayuda a organizar diálogos con interrupciones, pausas y frases fragmentadas.

La demostración de lanzamiento utilizó una lectura con ocho hablantes que conversaban en una misma habitación. La escena buscaba mostrar que el modelo puede seguir voces superpuestas, interrupciones y acentos mientras transcribe en vivo, condiciones que suelen complicar a los sistemas diseñados únicamente para comandos breves.

Muse también incorpora endpointing, una función que identifica cuándo comienza y termina el habla. Para ello utiliza tokens de inicio y final de discurso, de modo que una aplicación pueda diferenciar entre una pausa y el cierre de una solicitud, algo especialmente útil para asistentes que deben responder sin interrumpir al usuario.

Idiomas, code-switching y contexto

Meta asegura que Muse Voice Transcribe fue entrenado con más de 70 idiomas, aunque recomienda probar inicialmente 25 que considera ampliamente verificados. El modelo también admite entradas largas de audio de más de una hora, una diferencia importante frente a herramientas orientadas exclusivamente a mensajes cortos o consultas aisladas.

El sistema fue diseñado para reconocer code-switching, una práctica habitual entre hablantes bilingües que alternan idiomas dentro de una frase o entre oraciones consecutivas. En los ejemplos publicados, la tecnología combina mandarín e inglés con términos técnicos, nombres de productos y expresiones de uso cotidiano sin exigir que el usuario cambie manualmente el idioma de entrada.

La compañía también destaca el uso de sesgos de contexto, idioma y palabras clave para elevar la precisión en escenarios específicos. Así, términos como Meta, Muse o Menlo Park pueden recibir un tratamiento preferente cuando forman parte del contexto conocido por la aplicación, aunque ese recurso también exige controles para evitar que una suposición contextual distorsione lo que realmente dijo el usuario.

El largo contexto de audio permite que el modelo trabaje con conversaciones extensas y múltiples participantes sin depender de una etapa separada de posprocesamiento. En la demostración de una hora y 52 segundos participaron al menos 11 voces identificadas como Speaker A hasta Speaker K, mientras el sistema seguía un diálogo con solapamientos, bromas, cambios de tema y frases incompletas.

La presentación vinculó estas capacidades con la visión de Meta sobre agentes personales de inteligencia artificial. En el material de demostración, la empresa sostuvo que una IA verdaderamente personal tendría que escuchar conversaciones reales, no limitarse a interpretar órdenes aisladas, porque las interacciones humanas incluyen interrupciones, acentos, silencios y cambios repentinos de idioma.

Disponibilidad y posibles usos

Muse Voice Transcribe habilita el dictado por voz en Meta AI y Muse Code, y puede utilizarse con cualquier aplicación o ventana visible en la pantalla, según la descripción de Meta. En Meta AI para Mac, la compañía indica que basta mantener presionada la tecla “Fn” para probar la función, una integración que busca reducir la fricción entre hablar y ejecutar tareas.

La herramienta está disponible mediante Meta Model API, Meta AI para Mac y Muse Code. Esa distribución abre la puerta a que desarrolladores y usuarios incorporen transcripción en tiempo real, identificación de hablantes y detección de turnos en diferentes flujos de trabajo, aunque la utilidad concreta dependerá de la integración y de la calidad del audio disponible.

La demostración advierte que las transcripciones son generadas por inteligencia artificial y pueden contener errores. También indica que el audio se procesa para producir el texto y no se almacena, pero el uso de la experiencia requiere aceptar los Términos de Servicio de Meta y los Términos de Meta AI, además de confirmar que el usuario cuenta con permiso para grabar el audio capturado.

Ese último requisito resulta especialmente importante en reuniones, entrevistas y espacios compartidos, donde pueden existir obligaciones legales o de privacidad distintas según el país. La capacidad técnica para distinguir voces no elimina la necesidad de informar a los participantes ni convierte automáticamente una grabación en un uso autorizado.

Desde la perspectiva de producto, Meta intenta posicionar el reconocimiento de voz como una capa básica para sus futuros asistentes personales. La empresa relaciona el audio con tres objetivos atribuidos a su visión de inteligencia artificial: ampliar el empoderamiento individual, facilitar la invención y distribuir el poder tecnológico, aunque Muse Voice Transcribe por sí solo representa una herramienta de percepción y no una superinteligencia autónoma.

La llegada del modelo muestra que la competencia en IA no se limita a generar texto o imágenes, sino que también se concentra en interpretar el mundo en tiempo real. Si Muse mantiene la precisión anunciada en conversaciones espontáneas, su combinación de baja latencia, contexto largo, code-switching y diarización podría convertirse en una pieza relevante para los agentes que Meta busca llevar a sus productos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín