Meta เปิดตัว Muse Voice Transcribe โมเดลเสียงเรียลไทม์
Meta Superintelligence Labs เปิดตัว Muse Voice Transcribe โมเดลประมวลผลเสียงแบบเรียลไทม์ รองรับกว่า 70 ภาษา ค่าบริการ 3 ดอลลาร์ต่อ 1,000 นาที
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- รวมงาน ASR แยกเสียงผู้พูด และ Endpointing ไว้ในโมเดลเดียว
- ให้บริการผ่าน Meta Model API ราคา 3.00 ดอลลาร์ต่อ 1,000 นาที
- รองรับเสียงยาวกว่า 1 ชั่วโมง และแยกเสียงผู้พูดได้กว่า 20 คน
Meta Superintelligence Labs ได้ประกาศเปิดตัว Muse Voice Transcribe โมเดลการรับรู้เสียงแบบเรียลไทม์รุ่นแรกจากตระกูล Muse Spark ซึ่งออกแบบมาเพื่อรวบรวมขั้นตอนการทำงานด้านเสียงสามอย่างเข้าด้วยกัน ได้แก่ การแปลงเสียงพูดเป็นข้อความแบบสตรีมมิ่ง (Streaming ASR) การแยกแยะผู้พูด (Speaker Diarization) สำหรับผู้พูดมากกว่า 20 คน และการกำหนดจุดสิ้นสุดเสียง (Endpointing) ไว้ในโมเดลแบบ autoregressive เพียงโมเดลเดียวโดยไม่ต้องผ่านกระบวนการประมวลผลภายหลัง
ในด้านการใช้งาน โมเดลนี้เปิดให้บริการในรูปแบบโฮสต์ API บน Meta Model API ภายใต้ชื่อรุ่น muse-voice-transcribe-1.0 ด้วยอัตราค่าบริการ 3.00 ดอลลาร์ต่อ 1,000 นาที หรือคิดเป็น 0.18 ดอลลาร์ต่อชั่วโมง โดยปัจจุบันถูกนำไปขับเคลื่อนฟีเจอร์การพิมพ์ด้วยเสียงใน Meta AI สำหรับ Mac และ Muse Code แล้ว ทั้งนี้ยังไม่มีการปล่อยน้ำหนักโมเดล (Weights) ออกมาแต่อย่างใด
สถาปัตยกรรมของ Muse Voice Transcribe รับข้อมูลเสียงเข้ามาเป็นชิ้นส่วนขนาด 80 มิลลิวินาทีที่ความถี่ 12.5 Hz โดยแต่ละชิ้นส่วนจะถูกแปลงเป็นซอฟต์โทเค็นเดียว การฟังและการเขียนจะใช้ลูปตัวถอดรหัส (Decoder loop) ร่วมกัน ทำให้ไม่มีขั้นตอนการจัดวางที่แยกออกจากกันจนเกิดความคลาดเคลื่อน โมเดลจะควบคุมจังหวะการฟังและบริบทเสียงเบื้องหลังแต่ละคำ ซึ่ง Meta เรียกระยะห่างนี้ว่า 'delay' โดยใช้การเรียนรู้เสริมกำลัง (Reinforcement learning) ผสมผสานรางวัลอัตราความผิดพลาดของคำและรางวัลดีเลย์เข้าด้วยกันเพื่อปรับเปลี่ยนค่าดีเลย์ตามความยากของคำ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
จากการวัดผลบน Artificial Analysis ณ วันที่ 1 กันยายน 2026 Muse Voice Transcribe ทำคะแนนความผิดพลาดของคำ (WER) ในขั้นตอนสุดท้ายได้ 3.1% ที่เวลา 0.16 วินาทีหลังสิ้นสุดเสียงพูด ซึ่งทำผลงานได้ดีกว่าคู่แข่งอย่าง Cartesia Ink-2 และ ElevenLabs Scribe v2 Realtime นอกจากนี้ ในด้านการแยกแยะผู้พูด โมเดลทำอัตราความผิดพลาดเฉลี่ยอยู่ที่ 17.5% บนชุดทดสอบ AMI-IHM, AMI-SDM และ VoxConverse
การที่ Meta รวมการทำงานทั้งสามอย่างเข้าเป็นโมเดลเดียวและใช้การฝึกอบรมผ่าน Reinforcement learning เพื่อบริหารจัดการความสมดุลระหว่างความเร็วและความแม่นยำ (Pareto front) ถือเป็นก้าวสำคัญที่ช่วยลดความซับซ้อนของระบบเสียงสตรีมมิ่งแบบเดิมที่ต้องร้อยเรียงหลายโมเดลเข้าด้วยกัน อย่างไรก็ตาม การเปิดให้ใช้งานเฉพาะผ่าน API อาจเป็นข้อจำกัดสำหรับองค์กรที่ต้องการปรับแต่งโมเดลบนโครงสร้างพื้นฐานของตนเอง
โมเดลดังกล่าวได้รับการฝึกฝนด้วยภาษามากกว่า 70 ภาษา โดยมี 25 ภาษาที่ได้รับการตรวจสอบอย่างละเอียดและแนะนำให้ใช้งานในวันเปิดตัว นอกจากนี้ยังรองรับการสลับภาษา (Code-switching) ได้อย่างเป็นธรรมชาติทั้งภายในและระหว่างประโยค พร้อมทั้งรองรับอินพุตเสียงที่ยาวเกินกว่าหนึ่งชั่วโมงโดยไม่ต้องมีขั้นตอนประมวลผลเพิ่มเติม
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น