La mayoría de las aplicaciones de voz en producción son en realidad tres sistemas cosidos entre sí. Un modelo transcribe, un segundo separa a los hablantes y un detector decide cuándo el usuario dejó de hablar. Cada traspaso entre etapas agrega latencia y un nuevo modo de falla.
Muse Voice Transcribe, anunciado esta semana por Meta Superintelligence Labs, colapsa esos tres trabajos en un único modelo autorregresivo. Meta lo describe como su primer modelo de percepción de audio en tiempo real: hace reconocimiento de voz en streaming, diarización para más de 20 hablantes y detección de fin de habla en una sola pasada, sin posprocesamiento obligatorio.
¿Se puede usar hoy?
Sí, aunque solo como API alojada. Está disponible en la Meta Model API bajo el identificador muse-voice-transcribe-1.0, a 3,00 dólares por cada 1.000 minutos de audio (0,18 dólares la hora), y ya mueve el dictado de Meta AI para Mac y de Muse Code. No se liberaron pesos, así que no existe camino de autoalojamiento.
¿Cómo funciona la transcripción en streaming?
Muse Voice Transcribe es un modelo multimodal autorregresivo de la familia Muse Spark. El audio llega en fragmentos de 80 milisegundos a 12,5 Hz, y cada fragmento se transforma en un único token blando.
Después de cada fragmento el modelo toma una decisión binaria: predice un token next_audio y sigue escuchando, o emite un token de texto. Cuando predice el token de continuación, este se reemplaza por el fragmento de audio siguiente en la entrada. Al terminar el flujo se inserta un token de audio vacío y el modelo vacía todo el texto pendiente sin pedir más audio.
Escuchar y escribir comparten el mismo bucle de decodificación, de modo que no hay una etapa de alineación separada que pueda desfasarse.
Retardo adaptativo, entrenado con aprendizaje por refuerzo
Como el modelo controla cuándo escucha, también controla cuánto contexto de audio queda detrás de cada palabra. Meta llama a esa brecha "delay": más retardo significa una transcripción más exacta y mayor latencia.
En vez de fijar ese equilibrio, Meta lo entrena. El aprendizaje por refuerzo combina de forma multiplicativa una recompensa por tasa de error de palabra y otra por retardo, lo que produce una política que varía el retardo palabra por palabra según la dificultad. Según Meta, eso deja al modelo en la frontera de Pareto entre velocidad y exactitud, medida como tiempo hasta la transcripción final, por delante de la frontera anterior que formaban los sistemas de Soniox, Cartesia y ElevenLabs.
Diarización y fin de turno: más tokens, no más modelos
Meta no agregó un segundo modelo para atribuir hablantes. Agregó tokens especiales al mismo flujo. Para la diarización, un token de inicio de turno marca un posible cambio de hablante y una etiqueta de hablante lo identifica con una letra. El token de turno se dispara apenas el cambio es posible, mientras que la etiqueta se retrasa hasta el final del fragmento. El audio de un mismo hablante puede quedar partido en varios segmentos que resuelven a la misma etiqueta.
Para la detección de fin de habla, un token marca el inicio y otro el punto donde el usuario terminó. Ambas tareas se entrenan de manera conjunta con el reconocimiento en streaming, con recompensas adicionales montadas sobre la recompensa de transcripción.
¿En cuántos idiomas funciona?
El modelo se entrenó en más de 70 idiomas, de los cuales 25 están verificados de forma extensa y son los recomendados al lanzamiento. El cambio de idioma dentro de una misma oración es nativo, algo que importa para hablantes bilingües que mezclan idiomas a media frase. La exactitud puede mejorarse todavía más con sesgos de idioma, de palabras clave y de contexto.
El manejo de contexto largo es el diferenciador práctico: Meta afirma que el modelo soporta de forma nativa entradas de audio de más de una hora y más de 20 hablantes, sin ningún paso de posprocesamiento obligatorio.
¿Cómo se compara con la competencia?
Meta reporta el primer lugar en Artificial Analysis para transcripción en streaming y en los benchmarks públicos de diarización, con datos al 1 de septiembre de 2026. En Artificial Analysis AA-WER Streaming el cuadro queda así:
| Sistema | Tasa de error (transcripción final) | Latencia tras el fin del habla | Precio por 1.000 minutos |
|---|---|---|---|
| Muse Voice Transcribe | 3,1% | 0,16 s | 3,00 dólares |
| Cartesia Ink-2 (endpoints semánticos) | 3,4% | 0,43 s | 4,00 dólares |
| ElevenLabs Scribe v2 Realtime | 3,6% | 0,14 s | 6,50 dólares |
| Cartesia Ink-2 (endpoints externos) | 4,0% | 0,07 s | 4,00 dólares |
Sobre la primera transcripción parcial, Muse Voice Transcribe anota 3,6% de error a 0,13 segundos. En diarización, Meta reporta una tasa de error promedio de 17,5% sobre los conjuntos AMI-IHM, AMI-SDM y VoxConverse, mientras que los otros cinco sistemas del mismo gráfico van de 21,1% a 28,6%.
El precio es el otro eje del argumento. A 3,00 dólares por cada 1.000 minutos, queda por debajo de los 4,00 de Cartesia Ink-2 y a menos de la mitad de los 6,50 que cobran ElevenLabs Scribe v2 Realtime y Deepgram Flux.
¿Qué significa para un desarrollador en la región?
Hay un cálculo simple que conviene hacer antes de entusiasmarse. A 0,18 dólares la hora, transcribir y diarizar una jornada completa de ocho horas de reuniones cuesta cerca de 1,44 dólares, y un mes de veinte jornadas queda bajo los 29 dólares por usuario. Ese orden de magnitud pone la transcripción de actas y de atención telefónica dentro del presupuesto de una pyme, no solo de un contact center grande.
La contracara es que no hay pesos abiertos. Cualquier proyecto que necesite procesar audio sensible sin que salga del país, algo habitual en salud, banca y sector público, queda fuera de esta opción y tiene que seguir mirando modelos de pesos abiertos, aunque paguen el costo en exactitud.
