Muse Voice Transcribe : भाषण चालू असतानाच होणार मजकूर तयार
मेटाने म्यूज व्हॉइस ट्रान्स्क्राइब लॉंच (Muse Voice Transcribe) केलं आहे, जे स्पीकर डायरायझेशन, कोड-स्विचिंग आणि ऑडिओ इनपुटला मजकूरात बदलतं.
Published : September 2, 2026 at 3:35 PM IST
हैदराबाद : मेटा कंपनीनं आपलं पहिलं रिअल-टाइम ऑडिओ मॉडेल ‘म्यूज व्हॉइस ट्रान्सक्राइब’ (Muse Voice Transcribe) लॉंच केलं आहे. हे मॉडेल व्हॉइस डिक्टेशनसाठी खास डिझाइन केलं असून, ते भाषण चालू असतानाच त्याला मजकूरात रूपांतरित करतं. मेटा सुपरइंटेलिजन्स लॅब्सनं विकसित केलेली ही प्रणाली अनेक भाषा आणि अनेक वक्ते ओळखण्यात सक्षम आहे. त्यामुळं बहुभाषिक आणि स्ट्रीमिंग ट्रान्सक्रिप्शनची क्षमता आता सहज उपलब्ध झाली आहे.
Muse Voice Transcribe is MSL's first real-time audio perception model -- rolling out today. SOTA in streaming speech-to-text, it handles speaker diarization, and endpointing natively in a single model. pic.twitter.com/LViMDSkbim
— Mark Zuckerberg (@finkd) September 1, 2026
मॅक वापरकर्त्यांसाठी सोयीस्कर सुविधा: म्यूज व्हॉइस ट्रान्सक्राइब मेटा एआय फॉर मॅकद्वारे उपलब्ध आहे. वापरकर्ते कोणत्याही अॅप्लिकेशनमध्ये Fn की दाबून बोलू शकतात आणि त्यांचं बोलणं थेट मजकूर म्हणून दिसतं. डेव्हलपर्ससाठी ही सुविधा म्यूज कोड आणि मेटा मॉडेल एपीआयद्वारेही खुली करण्यात आली आहे. यामुळं सॉफ्टवेअर डेव्हलपर्सनाही आपल्या अॅप्समध्ये हे शक्तिशाली ट्रान्सक्रिप्शन क्षमता सहज जोडता येईल.
प्रमुख क्षमता: मेटाच्या म्हणण्यानुसार, ही मॉडेल रिअल-टाइम स्ट्रीमिंग ऑटोमॅटिक स्पीच रिकग्निशन (ASR), 20 पेक्षा जास्त वक्त्यांची डायरायझेशन आणि एंडपॉइंटिंग समर्थित करतं. ते बहुभाषिक असून कोड-स्विचिंग सहजतेनं हाताळतं. भाषा, कीवर्ड आणि कॉन्टेक्स्ट बायसिंगमुळं अचूकता आणखी वाढतं. आर्टिफिशियल अॅनालिसिसच्या स्ट्रीमिंग स्पीच-टू-टेक्स्ट बेंचमार्कवर आणि सार्वजनिक डायरायझेशन बेंचमार्कवर हे मॉडेल पहिल्या क्रमांकावर आहे.
Introducing Muse Voice Transcribe, the first real-time audio perception model from Meta Superintelligence Labs.
— AI at Meta (@AIatMeta) September 1, 2026
Muse Voice Transcribe delivers real-time streaming ASR, diarization with 20+ speakers, and endpointing. It’s multilingual with seamless code-switching and improves… pic.twitter.com/x6rfDI5ocB
70 पेक्षा जास्त भाषांवर प्रशिक्षण : मेटा सुपरइंटेलिजन्स लॅब्सच्या मते, मॉडेलला 70 पेक्षा जास्त भाषांवर प्रशिक्षण दिलं आहे. सुरुवातीला 25 भाषांमध्ये ती प्रमाणित करण्यात आली आहे. यात अनेक भारतीय भाषा हिंदी, बंगाली, कन्नड, मराठी, तमिळ आणि तेलुगूचा समावश आहे. अरबी, बंगाली, डच, इंग्रजी, फ्रेंच, जर्मन, हिब्रू, हिंदी, इंडोनेशियन, इटालियन, जपानी, कन्नड, कोरियन, मलय, मंडारिन चीनी, मराठी, पोलिश, पोर्तुगीज, स्पॅनिश, टागालॉग, तमिळ, तेलुगू, थाई, तुर्की आणि व्हिएतनामी देखील यात उपलब्ध आहे.
Build conversation-aware features without the pipeline.
— Meta for Developers (@MetaforDevs) September 1, 2026
Muse Voice Transcribe is now in public preview on Meta Model API.
For developers building real-time speech into their products, Muse Voice Transcribe delivers competitive transcription accuracy with live speaker… pic.twitter.com/fFWvHteYka
कोड-स्विचिंग आणि लांब ऑडिओसाठी आदर्श : द्विभाषिक किंवा बहुभाषिक बोलणाऱ्यांसाठी कोड-स्विचिंग हे मॉडेल नैसर्गिकरित्या हाताळतं. एका वाक्यात किंवा वेगवेगळ्या वाक्यांमध्ये भाषा बदलली तरीही अचूक ट्रान्सक्रिप्शन मिळतं. कॉन्टेक्स्ट बायसिंगमुळं अचूकता आणखी सुधारतं. तसंच, एका तासापेक्षा जास्त लांब ऑडिओ इनपुटही कोणत्याही पोस्ट-प्रोसेसिंगशिवाय थेट हाताळता येते.
Introducing Muse Voice Transcribe, the first real-time audio perception model from Meta Superintelligence Labs.
— AI at Meta (@AIatMeta) September 1, 2026
Muse Voice Transcribe delivers real-time streaming ASR, diarization with 20+ speakers, and endpointing. It’s multilingual with seamless code-switching and improves… pic.twitter.com/x6rfDI5ocB
भविष्यातील तंत्रज्ञानाची नवी दिशा : म्यूज व्हॉइस ट्रान्सक्राइबमुळं मीटिंग्ज, लेक्चर्स, पॉडकास्ट्स आणि रोजच्या कामकाजात आवाज ते मजकूर रूपांतरण अधिक वेगवान, अचूक आणि सोयीस्कर होणार आहे. भारतीय वापरकर्त्यांसाठी मराठीसह अनेक स्थानिक भाषा समाविष्ट असल्यानं ही सुविधा विशेष उपयुक्त ठरेल. मेटाच्या या पाऊलामुळं कृत्रिम बुद्धिमत्तेच्या क्षेत्रात आणखी एक महत्त्वपूर्ण प्रगती झाली आहे.
हे वाचलंत का :
