Hari ini, Fable 5.1 dilancarkan, dan Atlas dari World Labs juga dilancarkan; semua orang sibuk memeriksa sejauh mana model menjadi lebih pintar dan sejauh mana model dunia telah maju. Di sudut yang hampir tidak diperhatikan, Meta mengeluarkan sesuatu yang saya rasa sangat layak dibincangkan: Muse Voice Transcribe, model persepsi audio masa nyata pertama dari Meta Superintelligence Labs. Secara lahiriah, ia nampak seperti model pengenalan suara ke teks, tetapi ia melakukan lebih banyak perkara berbanding sistem ASR tradisional seperti Whisper. Penulisan masa nyata, speaker diarization—iaitu menentukan siapa yang sedang berbicara pada masa itu—dan endpointing, iaitu menentukan sama ada seseorang telah selesai berbicara, ketiga-tiga perkara ini diselesaikan secara asli dalam satu model aliran. Tidak perlu lagi menyusun pipeline dengan menggabungkan ASR, VAD, dan model pembicara. Ini sebenarnya sangat penting. Satu masalah besar yang mempengaruhi pengalaman Voice Agent sekarang bukan lagi hanya sama ada ia mendengar dengan betul, tetapi kapan ia harus diam dan mendengar, kapan gilirannya untuk berbicara, dan siapa yang sebenarnya berbicara kepada ia apabila ramai orang berbual serentak. Pendekatan Muse juga menarik. Audio dipotong setiap 80ms menjadi satu chunk, dan model itu sendiri memutuskan sama ada meneruskan mendengar atau memulakan pengeluaran teks. Meta juga melatih menggunakan RL untuk menghasilkan apa yang disebut adaptive delay—kata-kata mudah disahkan dengan pantas, manakala kata-kata sukar menunggu lebih banyak konteks. Pencapaian sekarang pun sangat luar biasa. Di tangga pengenalan suara aliran Artificial Analysis, Muse Voice Transcribe mencapai WER 3.1%, dengan latensi penulisan akhir sekitar 160ms, kini terdepan; latihan mencakup lebih daripada 70 bahasa, dengan 25 bahasa telah diuji secara awal, dan boleh beralih antara bahasa Cina dan Inggeris dalam satu ayat; ia mampu memproses audio lebih daripada satu jam dan lebih daripada 20 pembicara tanpa memerlukan pemprosesan tambahan. Dan harganya hanya $0.18/jam. Saya justru rasa ini adalah pelancaran model yang sangat “Meta” oleh Meta hari ini. Selama setahun terakhir, semua orang berlumba-lumba meningkatkan kecerdasan AI, tetapi Meta kini mula memperbaiki inderanya.