Meta crea un'AI che riconosce chi parla e cambia lingua in tempo reale

Trascrivere una conversazione in tempo reale richiede di risolvere più problemi insieme: riconoscere le parole, distinguere gli interlocutori, capire quando un intervento è terminato e gestire eventuali cambi di lingua.

Meta ha riunito queste funzioni in Muse Voice Transcribe, il primo modello audio in tempo reale sviluppato da Meta Superintelligence Labs. Presentato il 1 settembre 2026, il sistema supporta oltre 20 interlocutori, riconosce più lingue nella stessa sessione e gestisce il passaggio da una lingua all’altra nella medesima frase. Meta afferma di averlo addestrato su oltre 70 lingue, con 25 lingue validate al lancio. È già utilizzato per la dettatura nell’app Meta AI per Mac.

Muse riunisce trascrizione e riconoscimento degli interlocutori

La speaker diarization permette di associare i segmenti audio ai diversi partecipanti, mentre l’endpointing stabilisce quando una persona ha effettivamente concluso il proprio intervento.

Meta sostiene che Muse possa gestire conversazioni di almeno un’ora con oltre 20 speaker. Per riunioni, interviste e dialoghi di gruppo, combinare queste funzioni nello stesso modello può ridurre l’elaborazione necessaria dopo la registrazione. Il sistema affronta inoltre il code-switching, cioè l’alternanza tra lingue durante una conversazione. Una persona può iniziare in inglese e inserire termini italiani o tedeschi senza dover selezionare manualmente una nuova lingua.

Muse cerca di riconoscere questi cambi mentre il flusso audio procede. L’architettura include anche un adaptive delay, pensato per bilanciare rapidità e accuratezza: quando il contenuto è chiaro può procedere rapidamente, mentre nei passaggi ambigui può attendere qualche istante in più.

Il valore reale dipenderà dalle applicazioni

La parte più interessante riguarda però l’impiego pratico. Meta integra Muse Voice Transcribe nell’app Meta AI per Mac e in Muse Code, mentre gli sviluppatori possono accedervi attraverso Meta Model API.

Il prezzo dichiarato è di 3 dollari per 1.000 minuti di audio. La società sostiene inoltre che il modello ottenga risultati di vertice nei benchmark di Artificial Analysis per lo speech-to-text in streaming e nella diarization. Sono dati da interpretare con cautela, perché i confronti dipendono da dataset, configurazioni e metodologie.

Il lancio arriva poco dopo Gemini 3.5 Transcribe di Google, che offre trascrizione, identificazione degli speaker, timestamp a livello di parola e supporto multilingue. La competizione si sposta quindi oltre il semplice riconoscimento vocale: per gli agenti AI contano latenza, gestione delle interruzioni, distinzione delle voci e capacità di seguire conversazioni complesse. Muse rappresenta in questo senso un’infrastruttura di percezione audio più completa, ma il suo valore concreto dipenderà dall’accuratezza in condizioni reali, soprattutto con rumore, voci sovrapposte e cambi frequenti di lingua.