Meta meluncurkan model AI audio baru pada hari Senin yang dapat membedakan beberapa pembicara dan menyalin beberapa bahasa secara real time, menurut Engadget, dalam sebuah langkah yang mendorong perusahaan lebih jauh ke dalam pasar AI ucapan yang semakin ramai. Informasi pertama kali melaporkan pengumuman model audio, sementara produk pendamping — Muse Voice Transcribe, yang menghadirkan dikte suara real-time ke Mac — dirinci oleh 9to5Mac.
Rilisan kembar ini memberi sinyal bahwa Meta memperlakukan suara sebagai input kelas satu untuk tumpukan AI-nya, bukan sekedar renungan. Transkripsi waktu nyata yang dapat menangani pembicara yang tumpang tindih, peralihan bahasa di tengah percakapan, dan dikte seluruh sistem adalah kemampuan yang mengubah suara dari fitur baru menjadi antarmuka penggunaan sehari-hari. For more context on this story, see our ongoing latest AI developments.
Satu model, banyak suara, banyak bahasa
Kemampuan judul, seperti yang dilaporkan Engadget, adalah kemampuan model untuk membedakan banyak penutur dan beberapa bahasa secara real time. Kombinasi tersebut mengatasi dua masalah tersulit dalam transkripsi praktis secara bersamaan: diarisasi pembicara — mencari tahu siapa mengatakan apa — dan pengenalan multibahasa, di mana percakapan berpindah antar bahasa tanpa jeda.
Sebagian besar saluran transkripsi yang ada memperlakukan hal ini sebagai tahapan terpisah: pertama model diarisasi membagi pembicara, kemudian model pengenalan mentranskripsikan setiap segmen. Menggabungkannya ke dalam satu model real-time membuat teknologi ini dapat digunakan untuk kasus penggunaan langsung — rapat, wawancara, panggilan pelanggan, terjemahan langsung — di mana menunggu pasca-pemrosesan tidak mencapai tujuan tersebut.
Muse Voice Transcribe menghadirkan dikte ke setiap aplikasi Mac
Bersamaan dengan model tersebut, Meta meluncurkan Muse Voice Transcribe untuk macOS. Seperti yang dilaporkan 9to5Mac, alat ini menyediakan dikte suara real-time yang berfungsi di seluruh aplikasi Mac — secara efektif merupakan lapisan dikte seluruh sistem, bukan aplikasi mandiri. Liputan Gadget Review menggambarkannya sebagai menghadirkan dikte real-time ke setiap aplikasi Mac.
Desain itu penting untuk diadopsi. Alat dikte hidup atau mati karena gesekan: jika pengguna harus menyalin teks dari jendela terpisah, mereka berhenti menggunakannya. Bekerja pada tingkat sistem berarti masukan suara tersedia di mana pun kursor berkedip — email, editor kode, aplikasi perpesanan, dokumen — dan itulah cara alat dikte paling sukses memenangkan audiensnya.
Rilis Mac juga menandai wilayah penting untuk Meta. Upaya AI perusahaan berpusat pada aplikasi selulernya, asisten Meta AI, dan model keluarga Llama dan keluarga Muse. Mengirimkan alat produktivitas desktop yang canggih untuk platform Apple menempatkan Meta dalam kontak langsung dengan basis pengguna profesional yang secara historis sulit dijangkau — dan menempatkannya dalam persaingan dengan utilitas dikte dan transkripsi yang sudah ada di platform.
Medan ramai yang semakin cepat
Meta memasuki pasar yang telah diubah harganya dan direkayasa ulang selama dua tahun terakhir. Model sumber terbuka Whisper dari OpenAI menetapkan dasar untuk transkripsi multibahasa yang dapat diakses, dan API Transkrip GPT berbayar milik perusahaan melemahkan sebagian besar pasar komersial dalam hal harga. Sementara itu, Google telah mendorong keras ke arah yang sama: model transkripsi bertenaga Gemini yang mencakup puluhan bahasa secara real-time telah diluncurkan ke pengembang, seperti yang kami bahas ketika Google mengirimkan model transkripsi ucapan real-time 85 bahasa.
Dengan latar belakang tersebut, diferensiasi telah bergeser dari akurasi mentah – di mana para pemimpin dikelompokkan dalam kebisingan satu sama lain berdasarkan tolok ukur standar – ke rincian praktis: latensi, penanganan pembicara, peralihan kode antar bahasa, harga, dan di mana model dijalankan. Penekanan Meta pada pengenalan multi-speaker dan multibahasa secara simultan dalam waktu nyata menargetkan detail-detail praktis tersebut.
Mengapa suara tiba-tiba menjadi strategis
Waktunya tidak disengaja. Suara menjadi antarmuka default untuk agen AI, dan perusahaan yang memiliki lapisan audio – pengambilan, transkripsi, pemahaman, respons – mengontrol titik masuk paling alami ke pengalaman asisten. Meta telah mengumumkan ambisinya untuk menciptakan kacamata AI dan perangkat wearable, di mana suara pada dasarnya adalah satu-satunya masukan praktis. Model audio yang cepat, akurat, dan on-the-go adalah infrastruktur untuk peta jalan tersebut.
Ada juga sudut pandang perusahaan. Rapat, panggilan dukungan, dan kerja lapangan menghasilkan audio multi-speaker dalam jumlah besar yang ingin dicari dan ditindaklanjuti oleh organisasi. Model yang dapat mentranskripsikan dengan andal saat percakapan terjadi — dengan speaker diberi label dan bahasa ditangani tanpa konfigurasi manual — merupakan perbedaan antara demo dan produk.
Transkripsi waktu nyata juga membawa manfaat selain kenyamanan. Teks langsung membuat rapat, ruang kelas, dan siaran dapat diakses oleh pengguna tunarungu dan yang memiliki gangguan pendengaran, dan teks multibahasa instan mengurangi hambatan bahasa bagi tim internasional. Ketika transkripsi cukup cepat untuk mengimbangi ucapan alami dan cukup kuat untuk melacak beberapa pembicara sekaligus, fitur aksesibilitas tersebut tidak lagi menjadi akomodasi khusus dan menjadi default yang disertakan dalam alat sehari-hari.
Meta belum mengumumkan rincian harga atau ketersediaan lengkap dalam cakupan awal. Namun arahnya sudah jelas: lapisan audio dari tumpukan AI, yang telah lama dianggap sebagai komoditas, kini menjadi garda depan dalam perang platform — dan Meta telah memutuskan untuk memperjuangkannya.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
