Meta lança Muse Voice Transcribe para voz em tempo real

A Meta Superintelligence Labs apresentou em 1º de setembro de 2026 o Muse Voice Transcribe, seu primeiro modelo de percepção de áudio em tempo real. O sistema transcreve voz, distingue mais de 20 falantes diferentes dentro da mesma gravação e detecta o momento exato em que uma pessoa termina de falar — três tarefas que até agora exigiam três sistemas separados, um para transcrição, outro para diarização e um terceiro detector de fim de turno, conectados entre si, com a latência e os pontos de falha que cada conexão adiciona. O modelo já está disponível pela API da Meta como muse-voice-transcribe-1.0 e hoje alimenta o ditado por voz do app Meta AI para Mac e do Muse Code, o assistente de programação da empresa. A Meta não divulgou os pesos do modelo, então ele só pode ser usado de forma hospedada, sem opção de rodar em servidores próprios.

Como funciona: ouvir e escrever no mesmo laço

O Muse Voice Transcribe pertence à família Muse Spark e processa o áudio em blocos de 80 milissegundos, ou 12,5 blocos por segundo. Cada bloco vira um token que o modelo analisa de forma autorregressiva, dentro do mesmo decodificador que também gera o texto: não existe uma etapa separada de alinhamento entre o que é ouvido e o que é escrito, exatamente onde os pipelines tradicionais costumam perder a sincronia. Depois de cada bloco, o modelo faz uma escolha binária: prevê um token que pede para continuar ouvindo, ou emite uma palavra diretamente. Quando o áudio termina, um token especial avisa que não vai chegar mais informação, e o modelo libera de imediato qualquer texto pendente — um comportamento que a Meta chama de "escuta flexível" e que também usa para decidir quem está falando a cada momento.

Um atraso que é treinado, não fixado de antemão

A quantidade de áudio que o modelo espera antes de escrever uma palavra — o que a Meta chama de "atraso" — não é um valor fixo: quanto mais contexto acumula, mais precisa fica a transcrição, mas maior é a espera. Em vez de fixar esse equilíbrio manualmente, os engenheiros da Meta o treinaram com aprendizado por reforço, combinando de forma multiplicativa uma recompensa de precisão (taxa de erro de palavras) e outra de velocidade, de modo que o próprio modelo aprende a variar o atraso palavra por palavra conforme a dificuldade. Para identificar os falantes, o sistema não usa um modelo separado, mas tokens especiais dentro do mesmo fluxo: um marca uma possível troca de turno assim que ela ocorre, e outro, ligeiramente adiado, atribui uma etiqueta de falante de A a Z; o áudio de uma mesma pessoa pode ser dividido em vários segmentos que se resolvem para a mesma etiqueta. Dois tokens adicionais marcam o início e o fim de uma fala para o detector de fim de turno, e as três tarefas são treinadas juntas sobre a mesma recompensa base de transcrição.

Resultados à frente da Cartesia, ElevenLabs e Gemini

• 3,1% de taxa de erro de palavras na transcrição final, a 0,16 segundo do fim da fala, no benchmark Artificial Analysis AA-WER Streaming — à frente da Cartesia Ink-2 (3,4% a 0,43 s) e da ElevenLabs Scribe v2 Realtime (3,6% a 0,14 s).
• 3,6% de erro na primeira transcrição parcial, em apenas 0,13 segundo; a variante da Cartesia Ink-2 com pontos finais externos é mais rápida (0,07 s), porém menos precisa (4,0%).
• 17,5% de taxa média de erro de diarização nos testes AMI-IHM, AMI-SDM e VoxConverse, contra uma faixa de 21,1% a 28,6% nos outros cinco sistemas avaliados.
• Compatível com gravações de mais de uma hora e mais de 20 falantes simultâneos, sem processamento adicional; a precisão pode ser reforçada ainda mais ajustando idioma, palavras-chave e contexto.
• Preço de US$ 3,00 por 1.000 minutos de áudio processados (US$ 0,18 por hora), abaixo dos US$ 4,00 da Cartesia Ink-2 e menos da metade dos US$ 6,50 da ElevenLabs Scribe v2 Realtime e da Deepgram Flux.

O modelo foi treinado em mais de 70 idiomas, dos quais 25 passaram por validação extensiva antes do lançamento, e ele lida com a troca de idioma no meio de uma frase sem perder precisão, algo comum entre falantes bilíngues. A Meta anunciou o lançamento em 1º de setembro de 2026 pela conta @AIatMeta no X, apresentando-o como seu primeiro modelo de percepção em tempo real — um passo que chega antes de a OpenAI ou o Google mostrarem um sistema equivalente de transcrição ao vivo. Quem já tem o app Meta AI instalado em um Mac pode testar agora: basta segurar a tecla Fn e falar em qualquer aplicativo para que o ditado seja transcrito pelo novo modelo.

Para empresas e profissionais brasileiros que gravam reuniões, coletivas de imprensa ou entrevistas com várias pessoas falando ao mesmo tempo — jornalistas, escritórios de advocacia, equipes de atendimento ao cliente, serviços de acessibilidade para pessoas surdas —, um modelo que transcreve, separa vozes e detecta pausas em uma única etapa reduz o custo de infraestrutura e a margem de erro de encadear várias ferramentas. Em troca, é preciso aceitar que ele só pode ser usado pela API da Meta, sem opção de hospedar em servidores próprios nem de auditar seus pesos. Antes de substituir um fluxo de transcrição já em produção, vale comparar a taxa de erro real com o idioma e o sotaque de cada equipe, já que apenas 25 dos mais de 70 idiomas suportados passaram por validação extensiva.