Meta ha presentado Muse Voice Transcribe, su nuevo modelo de percepción de audio que combina transcripción en streaming, detección del final de frase y diarización de más de 20 hablantes en tiempo real. Este servicio estará disponible a través de una API pública con un coste de tan solo 0,18 dólares por hora de audio procesado, una oferta muy competitiva para el mercado empresarial.
Desarrollado por Meta Superintelligence Labs, Muse está concebido para procesar el habla a medida que se produce, evitando la necesidad de esperar a que finalice la grabación. El modelo soporta audios de más de una hora de duración, permite cambiar fluidamente entre varios idiomas dentro de una misma conversación y aplica sesgos lingüísticos y de palabras clave. Además, integra la diarización sin requerir procesos adicionales posteriores al reconocimiento.
Muse ha sido entrenado con datos de más de 70 idiomas diferentes y en la fase inicial se ha validado exhaustivamente para 25 de ellos, lo que asegura una base multilingüe robusta. La capacidad para diferenciar a más de 20 interlocutores es significativa, aunque no es récord mundial; otras empresas como Speechmatics y Amazon Transcribe ofrecen sistemas en tiempo real que identifican hasta 50 y 30 hablantes, respectivamente. 
No obstante, la propuesta de valor de Meta reside en su combinación de alta capacidad para la diarización, latencia baja en la transcripción, detección de fin de turno y cambio de idioma dinámico, todo integrando una política de precios muy asequible. Esto resulta especialmente atractivo para desarrolladores que crean sistemas de análisis de llamadas, asistentes en vivo o inteligencia artificial ambiental.
Diarización integrada, esencial en la transcripción avanzada
Mientras que el reconocimiento tradicional solo responde a qué se dijo, la diarización añade la dimensión de quién lo dijo. Esta distinción se vuelve vital para que sistemas de IA posteriores trabajen con precisión, especialmente en entornos empresariales o de atención al cliente, donde identificar correctamente a cada interlocutor puede evitar errores críticos en registros, aprobaciones o compromisos.
Muse integra la atribución de hablantes directamente en su arquitectura multimodal autoregresiva: el audio llega en fragmentos de 80 milisegundos, que el modelo transforma en tokens suaves. En cada paso decide si necesita más audio o ya puede generar texto, ajustando la latencia según la ambigüedad del discurso. Esta técnica, llamada “adaptive delay” (retardo adaptativo), se entrena con aprendizaje por refuerzo para equilibrar precisión y velocidad.
La diarización y la detección del final de turno aparecen en la misma secuencia de tokens con marcas específicas que identifican el inicio y fin de intervenciones y quién las pronuncia. Este enfoque elimina la necesidad de aplicar clusterización de hablantes como proceso externo posterior.
Comparativa con otras soluciones y capacidades máximas de interlocutores
Hablar de números máximos de interlocutores requiere precaución, ya que cada proveedor tiene implementaciones y limitaciones diferentes. Speechmatics destaca en este aspecto con capacidad de hasta 100 hablantes configurables, mientras Amazon Transcribe soporta hasta 30. Soniox admite hasta 15 y AssemblyAI ofrece configuraciones para un máximo de 10 participantes.
Meta no ha demostrado en demos públicas la capacidad para más de 20, limitándose a pruebas con ocho y once hablantes etiquetados. La cifra de “más de 20” responde a especificaciones del modelo, no a escenarios en vivo. Esto indica que el récord no es el punto fuerte de Muse, sino su conjunto equilibrado de prestaciones.
Precios competitivos que revolucionan el mercado
En cuanto a tarifas, Muse se sitúa en 0,18 dólares por hora de audio, un precio ajustado si tenemos en cuenta que la diarización está incluida sin costes adicionales. Para colocar esta cifra en contexto, Soniox ofrece 0,12 dólares la hora para su servicio con diarización hasta 15 hablantes, Speechmatics cobra 0,24 dólares por hora con 50 interlocutores por defecto y Amazon Transcribe se mueve alrededor de 0,60 dólares la hora.
Otras plataformas como Deepgram o AssemblyAI incrementan sus precios de base cuando se añade la función de diarización, llegando a más del doble en algunos casos. Por tanto, Meta ofrece una propuesta realmente atractiva, sobre todo para empresas que necesitan gestionar grandes volúmenes de audio y múltiples hablantes.
Excelencia en precisión y benchmarks destacados
La calidad es otro pilar destacable de Muse. Según las evaluaciones presentadas por Meta, su tasa de error en palabra (WER) para transcripciones en streaming es del 3,1%, superando a otras soluciones como Cartesia Ink-2, ElevenLabs o Qwen3 ASR. En la clasificación de la firma independiente Artificial Analysis publicada el 1 de septiembre, Muse lidera el ranking de precisión.
En cuanto a diarización, Muse reporta una tasa de error media del 17,5% en tres conjuntos de datos públicos, una cifra mejor que la de sus competidores comparados. Hay que recordar que mayor capacidad de hablantes no significa necesariamente mejor atribución, y Meta no ha probado su sistema con 20 parlantes en esos tests.
Por otro lado, el API de Meta limita actualmente las sesiones en tiempo real a 60 minutos, con hasta ocho transmisiones concurrentes por usuario. Además, no ofrece aún marcas temporales a nivel de palabra ni funcionalidades complementarias como detección de emociones o eventos sonoros.
Una opción sobresaliente para empresas y desarrolladores
El lanzamiento de Muse Voice Transcribe propone una combinación difícil de igualar: transcripción en tiempo real con diarización para más de 20 hablantes, alta precisión y un precio muy competitivo. Este equilibrio resulta crucial para empresas que necesiten soluciones robustas para inteligencia en reuniones, transcripciones en vivo o asistentes de voz.
Con un coste estimado de unos 180 dólares por 1.000 horas de audio, Meta sitúa a Muse en una posición privilegiada frente a competidores, alentando un mercado en el que no solo importa la cantidad de interlocutores reconocidos, sino la calidad de la atribución y la eficiencia económica.
