Bugün Fable 5.1 ve World Labs'ın Atlas'i yayınlandı, herkes modelin ne kadar daha akıllı hale geldiğini ve dünya modelinin ne kadar ilerlediğini görmek için meşgul. Neredeyse kimse dikkat etmediği bir köşede, Meta'nın benim çok konuşulması gerektiğini düşündüğüm bir şeyi paylaştığını gördüm: Muse Voice Transcribe, Meta Superintelligence Labs'ın ilk gerçek zamanlı ses algılama modeli. Yüzeyde bir sesden metne dönüştürme modeli gibi görünse de, Whisper gibi geleneksel ASR sistemlerinden çok daha fazla şey yapıyor. Gerçek zamanlı transkripsiyon, speaker diarization—yani şu anda kimin konuştuğunu belirleme—ve endpointing—birinin konuşmasını tamamladığını nasıl anladığını—bu üç işlevi tek bir akışlı modelde doğrudan gerçekleştiriyor. ASR, VAD ve speaker modelini bir pipeline'a birleştirmeye gerek kalmıyor. Bu aslında çok önemli. Voice Agent'ların şu anda deneyimi en çok etkileyen sorun, artık sadece doğru duyup duymadıkları değil, ne zaman susup dinlemeli, ne zaman konuşmaya sıra gelecek ve bir odada birçok kişi konuşurken kime seslendikleri. Muse'un yaklaşımı da ilginç. Ses her 80 ms'de bir chunk'a bölünüyor ve model kendi kendine devam etmeyi mi yoksa metin üretmeyi mi seçiyor. Meta, RL ile "adaptif gecikme" adı verilen bir sistem geliştirdi: basit kelimeler hemen onaylanıyor, zor kelimeler için daha fazla bağlam bekleniyor. Şu anki performansı da oldukça çarpıcı. Artificial Analysis'ın akışlı ses tanıma sıralamasında, Muse Voice Transcribe %3,1 WER ile birinci oldu; son transkripsiyon gecikmesi yaklaşık 160 ms. Eğitimde 70'ten fazla dil kapsandı, ilk doğrulamada 25 dil test edildi; bir cümle içinde Çince ve İngilizce arasında kod geçişini yapabiliyor. Bir saatten uzun sesleri ve 20'den fazla konuşmacıyı arka planda işlemek için ekstra post-processing gerekmiyor. Ve fiyatı sadece 0,18 dolar/saat. Benim için bu, Meta'nın bugün gerçekten Meta'ya uygun bir model yayınlaması. Geçen yıl herkes AI'ya zeka katmaya çalışırken, Meta şimdi duyuları tamamlamaya başladı.