A Meta lança o Muse Voice Transcribe para voz em direto

A Meta Superintelligence Labs apresentou, a 1 de setembro de 2026, o Muse Voice Transcribe, o seu primeiro modelo de perceção de áudio em tempo real. O sistema transcreve voz, distingue mais de 20 falantes diferentes dentro da mesma gravação e deteta 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 detetor de fim de turno, ligados entre si, com a latência e os pontos de falha que cada ligação acrescenta. O modelo já está disponível através da API da Meta como muse-voice-transcribe-1.0 e alimenta agora o ditado por voz da aplicação Meta AI para Mac e do Muse Code, o assistente de programação da empresa. A Meta não divulgou os pesos do modelo, pelo que só pode ser usado de forma alojada, sem possibilidade de o instalar em servidores próprios.

Como funciona: ouvir e escrever no mesmo ciclo

O Muse Voice Transcribe pertence à família Muse Spark e processa o áudio em blocos de 80 milissegundos, ou seja, 12,5 blocos por segundo. Cada bloco transforma-se num token que o modelo analisa de forma autorregressiva, dentro do mesmo descodificador que também gera o texto: não existe uma fase separada de alinhamento entre o que é ouvido e o que é escrito, precisamente onde os sistemas tradicionais tendem a perder a sincronia. Após cada bloco, o modelo toma uma decisão binária: prevê um token que pede para continuar a ouvir, ou emite uma palavra diretamente. Quando o áudio termina, um token especial indica que não vai chegar mais informação, e o modelo liberta de imediato qualquer texto pendente — um comportamento que a Meta designa por "escuta flexível" e que também aplica para decidir quem está a falar em cada momento.

Um atraso que é treinado, não fixado à partida

A quantidade de áudio que o modelo espera antes de escrever uma palavra — o que a Meta chama "atraso" — não é um valor fixo: quanto mais contexto acumula, mais precisa é a transcrição, mas maior é a espera. Em vez de fixar esse equilíbrio manualmente, os engenheiros da Meta treinaram-no com aprendizagem por reforço, combinando de forma multiplicativa uma recompensa de precisão (taxa de erro de palavras) e outra de rapidez, de modo que o próprio modelo aprende a variar o atraso palavra a palavra consoante a dificuldade. Para identificar os falantes, o sistema não recorre a um modelo separado, mas sim a tokens especiais dentro do mesmo fluxo: um assinala uma possível troca de turno assim que ocorre, e outro, ligeiramente adiado, atribui uma etiqueta de falante de A a Z; o áudio de uma mesma pessoa pode ser repartido por vários segmentos que se resolvem sempre na mesma etiqueta. Dois tokens adicionais assinalam o início e o fim de uma intervenção para o detetor de fim de turno, e as três tarefas são treinadas em conjunto 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 segundos 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 segundos; a variante da Cartesia Ink-2 com pontos finais externos é mais rápida (0,07 s), mas menos precisa (4,0%).
• 17,5% de taxa média de erro de diarização nos testes AMI-IHM, AMI-SDM e VoxConverse, face a uma amplitude de 21,1% a 28,6% nos outros cinco sistemas avaliados.
• Compatível com gravações de mais de uma hora e mais de 20 falantes em simultâneo, sem processamento adicional; a precisão pode ainda ser reforçada ajustando idioma, palavras-chave e contexto.
• Preço de 3 dólares por cada 1000 minutos de áudio processados (0,18 dólares por hora), abaixo dos 4 dólares da Cartesia Ink-2 e menos de metade dos 6,50 dólares da ElevenLabs Scribe v2 Realtime e da Deepgram Flux.

O modelo foi treinado em mais de 70 idiomas, dos quais 25 passaram por uma validação exaustiva antes do lançamento, e lida com a troca de idioma a meio de uma frase sem perder precisão, algo comum entre falantes bilingues. A Meta anunciou o lançamento a 1 de setembro de 2026 através da conta @AIatMeta no X, apresentando-o como o seu primeiro modelo de perceção em tempo real — um passo que surge antes de a OpenAI ou a Google mostrarem um sistema equivalente de transcrição em direto. Quem já tiver a aplicação Meta AI instalada num Mac pode experimentá-lo desde já: basta manter premida a tecla Fn e falar em qualquer aplicação para que o ditado seja transcrito pelo novo modelo.

Para empresas e profissionais portugueses que gravam reuniões, conferências de imprensa ou entrevistas com várias pessoas a falar ao mesmo tempo — jornalistas, escritórios de advocacia, equipas de apoio ao cliente, serviços de acessibilidade para pessoas surdas —, um modelo que transcreve, separa vozes e deteta pausas numa única passagem reduz o custo de infraestrutura e a margem de erro de encadear várias ferramentas. Em troca, é preciso aceitar que só pode ser usado através da API da Meta, sem opção de o alojar em servidores próprios nem de auditar os seus pesos. Antes de substituir um fluxo de transcrição já em produção, convém comparar a taxa de erro real com o idioma e o sotaque de cada equipa, já que apenas 25 dos mais de 70 idiomas suportados foram validados de forma exaustiva.