Meta lanza Muse Voice Transcribe: transcripción en tiempo real por 0,18 $/hora
Meta entra en el mercado de la transcripción en tiempo real con Muse Voice Transcribe, un modelo que identifica a más de 20 hablantes y cuesta 0,18 dólares por hora de audio.
Meta ha presentado Muse Voice Transcribe, un modelo de percepción de audio que hace transcripción en streaming, detección de final de turno y diarización (identificación de quién habla) para más de 20 personas. El precio de la API es de 0,18 dólares por hora de audio procesado, es decir, 3 dólares por cada 1.000 minutos. Desarrollado por Meta Superintelligence Labs, el modelo procesa el habla mientras ocurre, sin esperar a que termine la grabación. Según Meta, soporta audio de más de una hora, cambio de idioma sin costuras, sesgos de lenguaje y palabras clave, y diarización sin necesidad de un pipeline posterior. Se entrenó en más de 70 idiomas, con 25 validados a fondo para el lanzamiento inicial.
La diarización es la clave. La transcripción tradicional responde a "¿qué se dijo?", pero la diarización añade "¿quién lo dijo?". Esto es crítico cuando los transcriptos alimentan sistemas de IA posteriores: un asistente de reuniones puede transcribir perfectamente y aun así crear un registro corporativo poco fiable si atribuye una aprobación o un compromiso a la persona equivocada. Lo mismo pasa en analítica de atención al cliente, flujos de cumplimiento o agentes de IA en salas donde hablan varias personas. Meta integra la atribución de hablante directamente en su arquitectura multimodal autorregresiva.
La cifra de 20+ hablantes es alta, pero no es un récord mundial. Speechmatics dice que puede identificar 50 hablantes por defecto y hasta 100 si se aumenta el límite; Amazon Transcribe especifica un máximo de 30 hablantes únicos, incluso en streaming. Soniox llega a 15 y AssemblyAI a 10. xAI no publica un máximo. Así que sería inexacto decir que Muse bate el récord. Además, Meta no demuestra 20+ participantes simultáneos en su material de lanzamiento: la demo principal usa ocho hablantes y la grabación larga tiene 11. Lo que hace interesante a Muse no es el máximo, sino la combinación: diarización de alta capacidad en tiempo real, baja latencia, cambio de idioma y un precio agresivo en el mismo modelo.
La arquitectura de Muse es curiosa. El audio llega en trozos de 80 milisegundos (12,5 por segundo) y se convierte en "soft tokens". En cada paso, el modelo decide si consumir más audio o emitir texto. Meta lo llama "adaptive delay": puede esperar más cuando el habla es ambigua y comprometerse antes cuando tiene suficiente contexto. El entrenamiento usa aprendizaje por refuerzo que combina tasa de error de palabras y recompensas por retardo. La atribución de hablante y la detección de final de turno forman parte de la misma secuencia de tokens. En la API, la diarización es un modo de primera clase, con etiquetas de hablante (A, B) limitadas a la sesión, no identidades verificadas, y marcas de tiempo a nivel de turno, no de palabra. Para los desarrolladores empresariales que construyen sistemas de reuniones, analítica de llamadas o asistentes en vivo, esta combinación puede importar más que quién tiene el récord de hablantes.
El análisis de Salseo
- El precio agresivo de 0,18 dólares por hora convierte la transcripción en un commodity y presiona a competidores como Speechmatics o Amazon, pero también obliga a Meta a monetizar por volumen, no por margen.
- La diarización integrada en el modelo es el avance real: al no depender de un post-proceso separado, reduce latencia y errores de atribución, lo que es clave para que los transcriptos sean fiables en sistemas de IA downstream. El 'adaptive delay' es el mecanismo que lo permite.
- El titular de '20+ hablantes' es marketing: la demo usa 8 y la grabación larga 11, y competidores como Speechmatics llegan a 100. Lo que importa no es el récord, sino que Meta ofrece una capacidad alta con un precio bajo en un solo modelo.
- De cara al futuro, hay que vigilar si Meta consigue tracción empresarial real: la API está bien posicionada para asistentes de reuniones y analítica de llamadas, pero el mercado es muy competitivo y la ventaja de precio puede erosionarse. La señal a seguir es la adopción por parte de desarrolladores y si Meta integra Muse en sus propios productos (WhatsApp, Messenger, Ray-Ban).