Hoje foi lançado o Fable 5.1 e o Atlas da World Labs, e todos estão ocupados observando quanto os modelos ficaram mais inteligentes e quão longe os modelos de mundo avançaram. Num canto quase ignorado, a Meta lançou algo que acho muito digno de discussão: Muse Voice Transcribe, o primeiro modelo de percepção auditiva em tempo real dos Meta Superintelligence Labs. À primeira vista, parece apenas um modelo de transcrição de voz para texto, mas ele faz muito mais do que os tradicionais sistemas ASR como o Whisper. Transcrição em tempo real, diarização de falantes — ou seja, identificar quem está falando no momento — e endpointing — determinar quando uma pessoa terminou de falar — são três funções realizadas nativamente dentro de um único modelo em fluxo. Não é mais necessário montar uma pipeline combinando ASR, VAD e modelos de falante. Isso é realmente importante. Um dos principais problemas que afetam a experiência dos Voice Agents hoje não é mais apenas se o sistema ouviu corretamente, mas sim quando deve ficar em silêncio para ouvir, quando é sua vez de falar e, em ambientes com várias pessoas conversando, quem exatamente está se dirigindo a ele. A abordagem do Muse também é interessante. O áudio é dividido em chunks de 80 ms, e o modelo decide sozinho se continua ouvindo ou começa a gerar texto. A Meta ainda treinou, com RL, o chamado “adaptive delay”: palavras simples são confirmadas rapidamente, enquanto palavras mais complexas recebem mais contexto antes da confirmação. Os resultados até agora são bastante impressionantes. Na tabela de reconhecimento de voz em fluxo da Artificial Analysis, o Muse Voice Transcribe alcançou 3,1% de WER, com latência final de transcrição de cerca de 160 ms — atualmente o primeiro lugar. O treinamento cobre mais de 70 idiomas, com 25 validados no lançamento inicial; é capaz de fazer code-switching entre inglês e chinês dentro da mesma frase; e processa continuamente áudios de mais de uma hora com mais de 20 falantes sem necessidade de pós-processamento adicional. E o preço? Apenas 0,18 dólar por hora. Na verdade, acho que este é um lançamento extremamente “Meta” da Meta. No último ano, todos se esforçaram para aumentar a inteligência da IA; agora, a Meta está começando a complementar os sentidos.