Meta lance Muse Voice Transcribe pour la voix en direct

Meta Superintelligence Labs a dévoilé le 1er septembre 2026 Muse Voice Transcribe, son premier modèle de perception audio en temps réel. Le système transcrit la voix, distingue plus de 20 locuteurs différents au sein d'un même enregistrement et détecte le moment exact où une personne cesse de parler — trois tâches qui exigeaient jusqu'ici trois systèmes séparés, un pour la transcription, un pour la diarisation et un troisième détecteur de fin de tour, reliés entre eux, avec la latence et les points de défaillance que chaque liaison ajoute. Le modèle est déjà accessible via l'API de Meta sous le nom muse-voice-transcribe-1.0, et alimente désormais la dictée vocale de l'application Meta AI pour Mac ainsi que de Muse Code, l'assistant de programmation de l'entreprise. Meta n'a pas publié les poids du modèle : il ne peut être utilisé qu'en mode hébergé, sans possibilité de l'installer sur ses propres serveurs.

Comment ça marche : écouter et écrire dans la même boucle

Muse Voice Transcribe appartient à la famille Muse Spark et traite l'audio par fragments de 80 millisecondes, soit 12,5 fragments par seconde. Chaque fragment devient un jeton que le modèle analyse de façon autorégressive, à l'intérieur du même décodeur qui génère aussi le texte : il n'existe pas d'étape séparée d'alignement entre ce qui est entendu et ce qui est écrit, précisément l'endroit où les pipelines classiques ont tendance à se désynchroniser. Après chaque fragment, le modèle fait un choix binaire : il prédit un jeton qui lui demande de continuer à écouter, ou il émet directement un mot. Quand le flux audio s'arrête, un jeton spécial lui indique qu'aucune information supplémentaire n'arrivera, et il libère aussitôt tout texte en attente — un comportement que Meta appelle « écoute flexible » et qu'elle applique aussi pour décider qui parle à chaque instant.

Un délai entraîné, pas fixé à l'avance

La quantité d'audio que le modèle attend avant d'écrire un mot — ce que Meta appelle le « délai » — n'est pas une valeur fixe : plus il accumule de contexte, plus la transcription est précise, mais plus l'attente augmente. Plutôt que de fixer cet équilibre à la main, les ingénieurs de Meta l'ont entraîné par apprentissage par renforcement, en combinant de façon multiplicative une récompense de précision (taux d'erreur de mots) et une récompense de rapidité, de sorte que le modèle apprend lui-même à faire varier le délai mot par mot selon sa difficulté. Pour identifier les locuteurs, le système ne s'appuie pas sur un modèle séparé mais sur des jetons spéciaux dans le même flux : l'un marque un changement de tour possible dès qu'il survient, l'autre, légèrement différé, attribue une étiquette de locuteur de A à Z ; l'audio d'une même personne peut être réparti sur plusieurs segments qui se résolvent tous vers la même étiquette. Deux jetons supplémentaires marquent le début et la fin d'une intervention pour le détecteur de fin de tour, et les trois tâches s'entraînent ensemble sur la même récompense de base liée à la transcription.

Des résultats devant Cartesia, ElevenLabs et Gemini

• 3,1 % de taux d'erreur de mots sur la transcription finale, à 0,16 seconde après la fin de la parole, sur le benchmark Artificial Analysis AA-WER Streaming — devant Cartesia Ink-2 (3,4 % à 0,43 s) et ElevenLabs Scribe v2 Realtime (3,6 % à 0,14 s).
• 3,6 % d'erreur sur la première transcription partielle, en seulement 0,13 seconde ; la variante de Cartesia Ink-2 à points de fin externes est plus rapide (0,07 s) mais moins précise (4,0 %).
• 17,5 % de taux d'erreur moyen de diarisation sur les jeux AMI-IHM, AMI-SDM et VoxConverse, contre une fourchette de 21,1 % à 28,6 % pour les cinq autres systèmes testés.
• Compatible avec des enregistrements de plus d'une heure et plus de 20 locuteurs simultanés, sans traitement supplémentaire ; la précision peut encore être renforcée en ajustant la langue, des mots-clés et le contexte.
• Prix de 3 dollars pour 1 000 minutes d'audio traitées (0,18 dollar par heure), sous les 4 dollars de Cartesia Ink-2 et moins de la moitié des 6,50 dollars d'ElevenLabs Scribe v2 Realtime et Deepgram Flux.

Le modèle a été entraîné sur plus de 70 langues, dont 25 ont fait l'objet d'une validation approfondie avant le lancement, et il gère le changement de langue au milieu d'une phrase sans perte de précision, un cas fréquent chez les locuteurs bilingues. Meta a annoncé ce lancement le 1er septembre 2026 via son compte @AIatMeta sur X, le présentant comme son premier modèle de perception en temps réel — une sortie qui devance celle d'un système équivalent chez OpenAI ou Google. Toute personne ayant installé l'application Meta AI sur un Mac peut déjà l'essayer : il suffit de maintenir la touche Fn enfoncée et de parler dans n'importe quelle application pour que la dictée soit transcrite par le nouveau modèle.

Pour les entreprises et les professionnels français qui enregistrent des réunions, des conférences de presse ou des entretiens à plusieurs voix — journalistes, cabinets d'avocats, équipes de support client, services d'accessibilité pour les personnes sourdes ou malentendantes —, un modèle qui transcrit, sépare les voix et détecte les pauses en une seule passe réduit le coût d'infrastructure et la marge d'erreur liée à l'enchaînement de plusieurs outils. En contrepartie, il faut accepter de ne pouvoir l'utiliser que via l'API de Meta, sans possibilité de l'auto-héberger ni d'auditer ses poids. Avant de remplacer une chaîne de transcription déjà en production, mieux vaut comparer le taux d'erreur réel avec la langue et l'accent de chaque équipe, puisque seules 25 des plus de 70 langues prises en charge ont été validées en profondeur.