Meta Muse Voice Transcribe Hadir, Model AI untuk Transkripsi Suara Real-Time
Pelitadigital.com – Meta memperkenalkan Muse Voice Transcribe, model kecerdasan buatan (AI) baru yang dirancang untuk mengubah percakapan suara menjadi teks secara real-time. Model ini menjadi bagian dari keluarga Muse Spark dan disebut Meta sebagai model pertama mereka yang berfokus pada “real-time audio perception”.
Muse Voice Transcribe menawarkan sejumlah kemampuan yang ditujukan untuk kebutuhan transkripsi percakapan secara langsung. Salah satunya adalah kemampuan mengenali lebih dari 20 pembicara sekaligus serta memahami percakapan dalam berbagai bahasa.
Menurut Meta, model tersebut telah dilatih menggunakan lebih dari 70 bahasa. Dari jumlah tersebut, 25 bahasa telah melalui proses verifikasi secara ekstensif.
Bisa Memahami Percakapan Multibahasa
Salah satu kemampuan yang menjadi perhatian dari Muse Voice Transcribe adalah pemrosesan percakapan multibahasa.
Model ini dirancang untuk tetap mengikuti percakapan ketika pembicara berganti bahasa di tengah komunikasi. Kemampuan tersebut dapat menjadi penting dalam situasi ketika percakapan tidak berlangsung menggunakan satu bahasa secara konsisten.
Selain itu, Muse Voice Transcribe mampu memproses percakapan dengan durasi lebih dari satu jam. Dengan demikian, model tidak hanya ditujukan untuk potongan suara pendek, tetapi juga percakapan yang berlangsung cukup panjang.
Klaim Performa Lebih Baik dalam Transkripsi Real-Time
Meta mengklaim Muse Voice Transcribe mampu mengungguli sejumlah model pesaing dalam beberapa benchmark pemrosesan suara secara real-time.
Dalam benchmark AA-WER Streaming speech-to-text dari Artificial Analysis, Muse Voice Transcribe mencatat word error rate (WER) sebesar 3,1 persen untuk percakapan berbahasa Inggris.
Angka tersebut lebih rendah dibandingkan Cartesia Ink-2 yang mencatat 3,4 persen, ElevenLabs Scribe v2 Real-time sebesar 3,6 persen, GPT Live Transcribe sebesar 3,9 persen, serta Gemini 3.5 Transcribe Live dengan 4 persen.
WER merupakan salah satu metrik untuk menilai tingkat kesalahan ketika ucapan diubah menjadi teks. Semakin rendah persentasenya, semakin sedikit kesalahan kata yang dihasilkan model.
Namun, hasil tersebut perlu dilihat dalam konteks benchmark yang digunakan. Pengujian AA-WER Streaming speech-to-text tersebut hanya mengukur kemampuan transkripsi dalam bahasa Inggris sehingga belum dapat menjadi gambaran menyeluruh mengenai performa Muse Voice Transcribe pada lebih dari 70 bahasa yang didukung.
Untuk kemampuan mengenali pembicara berbeda, Muse Voice Transcribe juga mencatat tingkat kesalahan sebesar 17,5 persen dalam sejumlah benchmark standar untuk penggunaan real-time.
Cara Kerja Muse Voice Transcribe
Muse Voice Transcribe menggunakan pendekatan model multimodal autoregresif dari keluarga Muse Spark.
Sistem tersebut menerima audio dalam potongan berdurasi 80 milidetik. Artinya, setiap detik audio dibagi menjadi sekitar 12,5 potongan untuk diproses oleh model.
Setiap potongan audio kemudian dikompresi menjadi satu soft token. Pada tahap berikutnya, model menentukan apakah informasi yang diterima sudah cukup untuk menghasilkan text token atau masih membutuhkan audio tambahan.
Jika konteks yang tersedia belum mencukupi, sistem menggunakan penanda khusus sebelum menerima potongan audio berikutnya. Ketika tidak ada lagi audio yang masuk, model akan mengeluarkan teks yang sebelumnya masih ditahan.
Mekanisme ini memungkinkan Muse Voice Transcribe menentukan sendiri seberapa banyak konteks yang diperlukan sebelum menghasilkan kata tertentu.
Mengandalkan Mekanisme Adaptive Delay
Pendekatan tersebut disebut Meta sebagai “adaptive delay”. Mekanisme ini memungkinkan model memberikan respons lebih cepat untuk kata-kata yang mudah dikenali, sementara bagian ucapan yang lebih sulit dapat memperoleh tambahan konteks sebelum ditranskripsikan.
Dengan cara tersebut, sistem tidak harus selalu menunggu sejumlah audio dalam durasi yang sama sebelum menghasilkan teks.
Kemampuan menentukan tingkat penundaan tersebut dipelajari melalui reinforcement learning. Dalam proses pelatihannya, Meta memberikan reward berdasarkan dua faktor utama, yakni akurasi hasil transkripsi dan rendahnya latensi.
Kedua faktor tersebut kemudian dikalikan sehingga model diarahkan untuk menghasilkan transkripsi yang tetap akurat dengan waktu pemrosesan yang rendah.
Mekanisme serupa juga digunakan untuk membantu Muse Voice Transcribe membedakan pembicara yang berbeda dalam sebuah percakapan.
Muse Voice Transcribe Bisa Digunakan di Mac
Muse Voice Transcribe tersedia melalui Meta Model API, Meta AI untuk Mac, dan Muse Code.
Pada perangkat Mac, pengguna dapat menekan dan menahan tombol Fn untuk mendiktekan teks ke berbagai aplikasi.
Kemampuan tersebut juga ditunjukkan melalui sebuah demo. Dalam demonstrasi itu, pengguna memberikan instruksi kepada Muse Code menggunakan suara. Ucapan tersebut kemudian ditampilkan sebagai teks pada antarmuka Muse Code sebelum perintah diproses oleh AI.
Fitur tersebut menunjukkan bahwa kemampuan transkripsi real-time Muse Voice Transcribe tidak hanya dapat digunakan untuk membuat catatan, tetapi juga menjadi bagian dari interaksi berbasis suara dengan aplikasi AI.
Harga Penggunaan API Muse Voice Transcribe
Meta juga menyediakan Muse Voice Transcribe melalui API dengan skema penggunaan berdasarkan durasi audio.
Tarif yang ditetapkan sebesar 3 dollar AS untuk setiap 1.000 menit audio. Jika dikonversikan berdasarkan nilai yang tercantum dalam sumber, biaya tersebut setara dengan sekitar Rp 53.310 per 1.000 menit atau sekitar Rp 3.199 per jam.
Model ini berbeda dari Muse Glimmer dalam hal ketersediaan bobot model. Meta tidak akan menyediakan bobot atau open weights Muse Voice Transcribe kepada publik.
Muse Voice Transcribe Menunjukkan Arah Baru AI Suara
Kehadiran Muse Voice Transcribe memperlihatkan bahwa pengembangan AI suara tidak hanya berfokus pada kemampuan mengubah suara menjadi teks, tetapi juga pada bagaimana sistem menyeimbangkan akurasi dan kecepatan secara bersamaan.
Kemampuan menangani banyak pembicara, percakapan panjang, serta perpindahan bahasa menjadi bagian penting dari pendekatan tersebut.
Meski demikian, klaim keunggulan performa tetap perlu dibaca berdasarkan konteks benchmark. Hasil WER sebesar 3,1 persen yang menjadi salah satu keunggulan Muse Voice Transcribe dalam pengujian tersebut secara khusus berasal dari percakapan berbahasa Inggris.
Dengan dukungan lebih dari 70 bahasa dan kemampuan transkripsi real-time, Muse Voice Transcribe berpotensi menjadi salah satu teknologi penting dalam pengembangan interaksi manusia dengan sistem AI berbasis suara.
Baca Juga :
