Jakarta, MISTAR.ID – Meta meluncurkan "Muse Voice Transcribe", model kecerdasan buatan (AI) pengenalan suara yang dirancang untuk melakukan transkripsi secara real-time. Perusahaan teknologi tersebut menyebutnya sebagai model “real-time audio perception” pertama yang dikembangkannya.

Muse Voice Transcribe mampu mengenali lebih dari 20 pembicara dan telah dilatih menggunakan lebih dari 70 bahasa. Sebanyak 25 bahasa di antaranya telah menjalani proses verifikasi secara ekstensif.

Kemampuannya juga mencakup percakapan multibahasa, termasuk saat seseorang berpindah dari satu bahasa ke bahasa lain di tengah percakapan. Sistem ini turut dirancang untuk memproses percakapan yang berlangsung lebih dari satu jam.

Meta mengklaim Muse Voice Transcribe mengungguli sejumlah model pesaing dalam beberapa benchmark pemrosesan suara secara real-time.

Pada benchmark AA-WER Streaming speech-to-text dari Artificial Analysis, model ini mencatat word error rate (WER) sebesar 3,1 persen untuk percakapan berbahasa Inggris.

Capaian tersebut lebih rendah dibandingkan Cartesia Ink-2 dengan WER 3,4 persen, ElevenLabs Scribe v2 Real-time sebesar 3,6 persen, GPT Live Transcribe 3,9 persen, serta Gemini 3.5 Transcribe Live yang mencatat 4 persen.

Semakin rendah nilai WER, semakin sedikit kesalahan kata yang dihasilkan model saat mengubah suara menjadi teks. Namun, pengujian tersebut hanya mengukur kemampuan transkripsi dalam bahasa Inggris.

Muse Voice Transcribe juga diklaim memiliki kemampuan lebih baik dalam membedakan pembicara. Dalam sejumlah benchmark standar untuk penggunaan real-time, tingkat kesalahan yang dicatat mencapai 17,5 persen.

Cara Kerja Muse Voice Transcribe

Menurut Meta, Muse Voice Transcribe merupakan model multimodal autoregresif yang berasal dari keluarga Muse Spark. Sistem menerima audio dalam potongan berdurasi 80 milidetik atau sebanyak 12,5 potongan setiap detik.

Setiap potongan tersebut dikompresi menjadi satu soft token. Pada setiap bagian audio, model menentukan apakah akan langsung menghasilkan text token atau menunggu audio berikutnya.

Jika memerlukan konteks tambahan, sistem menggunakan penanda khusus yang kemudian digantikan dengan potongan audio selanjutnya. Ketika audio berhenti, sistem akan menerima tanda bahwa tidak ada lagi suara yang masuk dan kemudian menghasilkan teks yang sebelumnya masih ditahan.

Mekanisme ini memungkinkan sistem menentukan sendiri jumlah konteks audio yang diperlukan sebelum menghasilkan sebuah kata. Meta menyebut pendekatan tersebut sebagai “adaptive delay”.

Melalui metode ini, seperti dilansir dari Kompas.com, Kamis (3/9/2026), kata yang mudah dikenali dapat ditranskripsikan hampir secara langsung. Sebaliknya, kata yang lebih sulit akan memperoleh tambahan konteks audio sebelum diproses.

Kemampuan menentukan tingkat penundaan tersebut dipelajari melalui reinforcement learning. Dalam prosesnya, Meta memberikan reward berdasarkan dua faktor, yaitu akurasi transkripsi dan rendahnya latensi.

Kedua faktor tersebut dikalikan sehingga sistem didorong menghasilkan transkripsi yang akurat sekaligus cepat. Mekanisme serupa juga diterapkan untuk membantu mengenali pembicara yang berbeda.