Meta Luncurkan Muse Voice Transcribe untuk Transkripsi Suara Real-Time

Meta – memperluas kemampuan teknologi kecerdasan buatannya melalui kehadiran Muse Voice Transcribe. Model AI terbaru tersebut berfokus pada pengenalan suara sekaligus mengubah percakapan menjadi teks dalam waktu yang hampir bersamaan dengan ucapan pengguna.

Teknologi ini menjadi langkah baru Meta dalam mengembangkan sistem yang dapat memahami audio secara langsung. Perusahaan menempatkan Muse Voice Transcribe sebagai model pertamanya dalam kategori real-time audio perception.

Salah satu kemampuan yang Meta tawarkan melalui model tersebut berkaitan dengan cakupan bahasa. Selama proses pengembangan, perusahaan menggunakan lebih dari 70 bahasa untuk melatih sistem. Meta kemudian melakukan pemeriksaan mendalam terhadap 25 bahasa dari jumlah tersebut.

Kemampuan itu membuat Muse Voice Transcribe dapat menghadapi percakapan yang menggunakan lebih dari satu bahasa. Ketika seseorang mengganti bahasa saat sedang berbicara, sistem tetap dapat mengikuti perubahan tersebut dan melanjutkan proses transkripsi.

Selain memahami beragam bahasa, model mampu membedakan lebih dari 20 orang yang berbicara. Sistem juga dapat menangani percakapan panjang dengan durasi melampaui satu jam.

Tingkat Kesalahan Transkripsi Bahasa Inggris Capai 3,1 Persen

Performa menjadi salah satu aspek yang Meta tonjolkan dari teknologi barunya. Sejumlah pengujian menunjukkan Muse Voice Transcribe mampu memberikan hasil kompetitif saat menjalankan transkripsi secara real-time.

Pada benchmark AA-WER Streaming speech-to-text milik Artificial Analysis, model AI Meta mencatat word error rate (WER) 3,1 persen untuk percakapan dalam bahasa Inggris.

Angka itu berada di bawah beberapa model lain dalam pengujian yang sama. Cartesia Ink-2 memperoleh WER 3,4 persen, sedangkan ElevenLabs Scribe v2 Real-time mencapai 3,6 persen. GPT Live Transcribe menghasilkan angka 3,9 persen dan Gemini 3.5 Transcribe Live mencatat 4 persen.

WER berfungsi sebagai ukuran untuk melihat jumlah kesalahan kata dalam proses konversi ucapan menjadi tulisan. Nilai yang semakin kecil menunjukkan bahwa sistem menghasilkan kesalahan kata yang semakin sedikit.

Meski mencatat hasil tersebut, pengujian AA-WER hanya berfokus pada bahasa Inggris. Karena itu, hasil benchmark tersebut tidak dapat menjadi acuan langsung untuk menilai kualitas transkripsi seluruh bahasa yang tersedia pada Muse Voice Transcribe.

Meta juga membekali modelnya dengan kemampuan membedakan suara dari beberapa orang. Dalam sejumlah benchmark standar yang menguji penggunaan secara real-time, tingkat kesalahan untuk pengenalan pembicara tercatat sebesar 17,5 persen.

Sistem Memecah Audio Menjadi Bagian Kecil

Muse Voice Transcribe menggunakan teknologi multimodal autoregresif dan masuk dalam keluarga model Muse Spark. Untuk menghasilkan transkripsi secara langsung, sistem menganalisis aliran audio secara bertahap.

Ketika pengguna berbicara, model menerima suara dalam bagian-bagian kecil dengan durasi sekitar 80 milidetik. Artinya, dalam satu detik sistem dapat menerima sekitar 12,5 bagian audio.

Model selanjutnya mengubah setiap bagian tersebut menjadi satu soft token. Sistem lalu menilai apakah informasi suara yang tersedia sudah memberikan konteks yang cukup untuk menghasilkan text token.

Jika model sudah memahami kata yang pengguna ucapkan, sistem dapat segera menghasilkan teks. Namun, ketika informasi belum mencukupi, model memilih menunggu bagian audio berikutnya agar memperoleh konteks tambahan.

Selama menunggu informasi tersebut, sistem memanfaatkan sebuah penanda khusus. Audio berikutnya akan mengambil posisi penanda itu sehingga model dapat melanjutkan analisis.

Ketika aliran suara berakhir, sistem menerima informasi bahwa pengguna sudah tidak memberikan input tambahan. Model kemudian menyelesaikan dan mengeluarkan teks yang sebelumnya masih menunggu konteks.

Adaptive Delay Mengatur Waktu Tunggu Secara Dinamis

Cara Muse Voice Transcribe menentukan waktu untuk menghasilkan teks menjadi bagian penting dari teknologi ini. Meta menyebut pendekatan tersebut sebagai adaptive delay.

Alih-alih memberikan jeda yang sama terhadap semua ucapan, model dapat menentukan waktu tunggu berdasarkan tingkat kesulitan audio. Sistem bisa mengubah kata yang jelas menjadi teks hampir seketika.

Sebaliknya, ucapan yang sulit model pahami membutuhkan informasi suara lebih banyak. Dalam kondisi tersebut, sistem menunggu audio tambahan sebelum menentukan kata yang paling sesuai.

Pendekatan tersebut bertujuan menjaga keseimbangan antara kecepatan dan ketepatan. Model tidak perlu terburu-buru menghasilkan teks ketika konteks masih kurang, tetapi juga tidak perlu menunggu terlalu lama untuk kata yang sudah jelas.

Meta mengembangkan kemampuan pengambilan keputusan tersebut melalui reinforcement learning. Perusahaan menggunakan dua faktor dalam memberikan reward kepada model, yakni ketepatan hasil transkripsi dan tingkat latensi.

Meta menggabungkan kedua faktor tersebut agar sistem mempelajari dua tujuan secara bersamaan. Model harus menjaga akurasi tanpa mengorbankan kecepatan secara berlebihan. Perusahaan juga memanfaatkan konsep serupa untuk meningkatkan kemampuan AI dalam membedakan suara setiap pembicara.

Muse Voice Transcribe Hadir untuk Pengguna Mac

Selain menawarkan teknologi di sisi model, Meta mulai menyediakan akses Muse Voice Transcribe melalui beberapa layanan. Pengguna dapat menjumpainya melalui Meta Model API, Meta AI untuk Mac, serta Muse Code.

Pada perangkat Mac, fitur tersebut dapat membantu pengguna memasukkan tulisan menggunakan suara. Pengguna hanya perlu menekan sekaligus menahan tombol Fn ketika ingin melakukan dikte pada aplikasi.

Meta juga memperlihatkan cara kerja teknologi tersebut melalui demonstrasi Muse Code. Dalam demo itu, seseorang menyampaikan perintah menggunakan suara tanpa mengetik instruksi secara manual.

Sistem segera menangkap ucapan dan mengubahnya menjadi tulisan pada antarmuka Muse Code. Setelah proses transkripsi selesai, AI menggunakan teks tersebut sebagai instruksi untuk menjalankan proses berikutnya.

Kemampuan ini dapat mempermudah interaksi berbasis suara karena pengguna dapat memberikan perintah secara verbal dan melihat hasil transkripsinya sebelum AI menjalankan instruksi.

Biaya API Mulai 3 Dollar AS per 1.000 Menit

Meta menerapkan tarif berdasarkan durasi audio bagi pengguna yang mengakses Muse Voice Transcribe melalui API. Biayanya mencapai 3 dollar AS untuk setiap 1.000 menit audio.

Berdasarkan konversi yang tercantum pada informasi sumber, nilai tersebut setara dengan sekitar Rp53.310. Jika pengguna menghitungnya berdasarkan pemakaian selama satu jam, biayanya sekitar 0,18 dollar AS atau Rp3.199.

Strategi Meta untuk model ini berbeda dengan Muse Glimmer. Perusahaan memilih untuk tidak memberikan akses publik terhadap bobot model atau open weights Muse Voice Transcribe.

Kehadiran Muse Voice Transcribe menunjukkan pengembangan AI Meta yang semakin menyentuh pemrosesan suara secara langsung. Model ini menggabungkan transkripsi real-time, dukungan puluhan bahasa, identifikasi banyak pembicara, serta pengaturan waktu pemrosesan yang menyesuaikan konteks audio.

Dengan pendekatan tersebut, Muse Voice Transcribe tidak hanya berfokus pada kecepatan mengubah ucapan menjadi tulisan. Meta juga mengembangkan sistem agar mampu menentukan kapan sebuah informasi suara sudah cukup jelas untuk menghasilkan teks dengan tingkat kesalahan yang lebih rendah.