Meta ने Muse Voice Transcribe नाम का नया रियल-टाइम ऑडियो ट्रांसक्रिप्शन मॉडल पेश किया है. कंपनी के मुताबिक, यह मॉडल लाइव बातचीत को टेक्स्ट में बदल सकता है और एक ही ऑडियो स्ट्रीम में अलग-अलग वक्ताओं की आवाजों को अलग पहचानने में सक्षम है. यह कई भाषाओं वाले संवादों को संभालने के लिए भी तैयार किया गया है.
यह घोषणा 1 सितंबर 2026 को Meta Superintelligence Labs की ओर से की गई. Meta के अनुसार, Muse Voice Transcribe उसका पहला रियल-टाइम ऑडियो परसेप्शन मॉडल है. कंपनी ने इसे उन स्थितियों के लिए उपयोगी बताया है, जहां बातचीत में एक से ज्यादा लोग बोल रहे हों या संवाद के दौरान भाषाएं बदल रही हों.
लाइव ट्रांसक्रिप्शन में स्पीकर की पहचान
साधारण speech-to-text सिस्टम अक्सर बातचीत को एक लगातार टेक्स्ट ब्लॉक के रूप में बदल देते हैं. इससे यह समझना मुश्किल हो सकता है कि किसी मीटिंग, इंटरव्यू या कॉल में कौन-सा वाक्य किस व्यक्ति ने बोला. Muse Voice Transcribe का speaker diarization फीचर इस समस्या को कम करने के लिए बातचीत को अलग-अलग वक्ताओं के हिस्सों में बांटने पर केंद्रित है.
Meta ने अपने आधिकारिक विवरण में कहा है कि मॉडल streaming speech-to-text और public diarization benchmarks पर शीर्ष प्रदर्शन कर रहा है. हालांकि, ये रैंकिंग Meta द्वारा बताए गए benchmark results पर आधारित हैं और वास्तविक उपयोग में सटीकता ऑडियो की गुणवत्ता, शोर, accent और बातचीत की जटिलता के अनुसार बदल सकती है.
डेवलपर्स और Mac यूजर्स के लिए उपलब्ध
कंपनी के मुताबिक, Muse Voice Transcribe को Meta Model API के जरिए डेवलपर्स इस्तेमाल कर सकते हैं. इसके अलावा यह Meta AI for Mac और Muse Code में भी उपलब्ध कराया गया है. इससे ऐप डेवलपर्स लाइव मीटिंग नोट्स, इंटरव्यू ट्रांसक्रिप्शन, voice dictation और बहुभाषी बातचीत से जुड़े फीचर तैयार कर सकते हैं.
Meta ने मॉडल की speed और accuracy के बीच संतुलन के लिए adaptive delay तकनीक का भी उल्लेख किया है. इसका उद्देश्य ट्रांसक्रिप्शन को कम देरी के साथ दिखाना है, जबकि सिस्टम को संदर्भ समझने के लिए पर्याप्त समय भी मिले.
बहुभाषी AI पर Meta का बढ़ता फोकस
यह मॉडल Meta के speech और language AI research कार्यक्रमों की व्यापक दिशा से जुड़ा है. कंपनी पहले भी multilingual speech recognition और speech translation से जुड़े मॉडल पेश कर चुकी है. Muse Voice Transcribe का नया पहलू रियल-टाइम ट्रांसक्रिप्शन के साथ speaker separation और multilingual बातचीत को एक ही workflow में संभालना है.
फिलहाल Meta की घोषणा में सभी समर्थित भाषाओं की पूरी सूची और हर भाषा के लिए अलग accuracy figures प्रमुख रूप से साझा नहीं किए गए हैं. इसलिए अलग-अलग भाषाओं, regional accents और overlapping speech में इसके प्रदर्शन का स्वतंत्र आकलन जरूरी होगा. वास्तविक उपयोग में privacy, consent और रिकॉर्ड की गई आवाजों के प्रबंधन से जुड़े सवाल भी महत्वपूर्ण रहेंगे.
