Meta présente Muse Voice Transcribe, un nouveau modèle d’intelligence artificielle capable de transcrire une conversation en temps réel, de distinguer les participants et de détecter le moment où une personne termine son intervention. Il s’agit du premier modèle de perception audio en temps réel conçu par Meta Superintelligence Labs.

L’objectif dépasse la simple conversion de la parole en texte. Muse Voice Transcribe réunit dans un seul modèle trois fonctions habituellement confiées à des systèmes différents : la reconnaissance vocale, l’identification des changements de locuteur et la détection de la fin d’une intervention.

La deuxième fonction, appelée diarisation, permet d’attribuer chaque passage à la bonne personne. Meta affirme que son modèle peut suivre plus de 20 interlocuteurs au cours d’une même conversation. Cette capacité pourrait être particulièrement utile pour transcrire des réunions, des tables rondes, des conférences, des entrevues ou des balados réunissant plusieurs participants.

Le modèle peut également traiter plus d’une heure d’enregistrement sans nécessiter de traitement supplémentaire pour séparer les voix. Dans une démonstration publiée par Meta, Muse Voice Transcribe suit une conversation de plus de 60 minutes réunissant 11 personnes. Une autre démonstration le montre en train d’identifier huit intervenants en direct.

Muse Voice Transcribe analyse le son par blocs de 80 millisecondes. Après chaque bloc, le modèle choisit de produire du texte ou d’attendre davantage de contexte. Cette approche, baptisée « délai adaptatif », vise à trouver un équilibre entre la rapidité et la précision. Un mot simple peut être transcrit presque immédiatement, tandis qu’un passage plus difficile peut demander quelques fractions de seconde supplémentaires.

Le système utilise l’apprentissage par renforcement pour ajuster cette décision. Pendant son entraînement, il a été récompensé à la fois pour la précision de ses transcriptions et pour sa rapidité. Cette méthode doit éviter que le modèle choisisse trop rapidement un mot erroné ou, à l’inverse, attende inutilement avant d’afficher le résultat.

Meta affirme que Muse Voice Transcribe occupe la première place du classement indépendant d’Artificial Analysis consacré à la transcription en continu. Au 1er septembre, le modèle obtenait un taux d’erreur de 3,1 % pour la transcription finale, avec un délai moyen d’environ 0,16 seconde après la fin de la parole. Le test d’Artificial Analysis repose sur près de huit heures d’audio comprenant différents accents, du vocabulaire spécialisé et des conditions acoustiques difficiles.

Ces résultats donnent une indication sur les performances du modèle, mais ils ne couvrent pas toutes les situations possibles. Les conversations où plusieurs personnes parlent en même temps, les microphones de mauvaise qualité, les accents régionaux très marqués et les environnements bruyants demeurent des tests importants à réaliser dans des conditions réelles.

Le français fait partie des 25 langues que Meta dit avoir largement vérifiées pour cette première version. Muse Voice Transcribe a été entraîné avec plus de 70 langues, mais l’entreprise reconnaît que le degré de validation n’est pas le même pour chacune d’elles.

Le modèle peut aussi reconnaître les changements de langue au milieu d’une phrase, une pratique courante chez les personnes bilingues. Une conversation peut ainsi passer du français à l’anglais sans qu’il soit nécessaire de modifier manuellement un réglage. Cette fonction pourrait être particulièrement pertinente au Québec, où les deux langues sont souvent utilisées au cours d’une même réunion ou entrevue.

Muse Voice Transcribe accepte également des indications contextuelles. Un développeur peut lui fournir une liste de noms, de lieux, de marques ou de termes spécialisés afin d’améliorer leur transcription. Pour un balado technologique, par exemple, cette fonction pourrait aider le système à reconnaître correctement des noms d’entreprises, de produits ou de personnes qui sont souvent mal interprétés par les outils de transcription traditionnels.

Le modèle est maintenant utilisé par Meta AI pour Mac. En maintenant la touche « Fn », l’utilisateur peut dicter du texte dans n’importe quelle application ou transmettre verbalement une instruction à Meta AI en fonction de la fenêtre affichée à l’écran. La technologie est également intégrée à Muse Code, l’outil de programmation assistée de Meta.

Les développeurs peuvent y accéder par la Meta Model API. Le service coûte 3 dollars américains pour 1 000 minutes d’audio, soit environ 0,18 dollar américain par heure. À ce tarif, la transcription automatisée d’une entrevue ou d’un épisode de balado d’une heure coûterait environ 18 cents américains, sans compter les autres services qui pourraient être nécessaires pour résumer, corriger ou publier le résultat.

Meta ne propose pas actuellement de télécharger le modèle pour l’exécuter localement. Muse Voice Transcribe est accessible par les services de l’entreprise, ce qui signifie que les organisations devront examiner les conditions d’utilisation et les politiques de traitement des données avant de lui confier des réunions ou des entrevues confidentielles.

La démonstration offerte sur le site de Meta précise que le son capté par le microphone est traité pour produire la transcription et n’est pas conservé. Cette indication concerne toutefois la démonstration. Meta ne fournit pas, dans son annonce, suffisamment de détails sur la conservation des enregistrements transmis par l’API ou les applications. Pour ces usages, il faudra consulter les politiques propres à chaque service et obtenir le consentement des personnes enregistrées.

Muse Voice Transcribe illustre l’importance croissante de la voix dans la compétition entre les grandes entreprises d’intelligence artificielle. Google vient également de présenter Gemini 3.5 Transcribe, tandis qu’OpenAI, Microsoft, ElevenLabs, Deepgram et plusieurs entreprises spécialisées développent leurs propres technologies de transcription en temps réel.

Pour Meta, cette technologie représente surtout une composante essentielle de ses futurs assistants personnels et de ses lunettes connectées. Un agent véritablement conversationnel doit pouvoir comprendre les interruptions, les changements de langue, les silences et les échanges entre plusieurs personnes. Avec Muse Voice Transcribe, Meta tente donc de donner à ses systèmes d’intelligence artificielle des oreilles mieux adaptées aux conversations réelles.

Source : Meta

+++++++

Du lundi au vendredi, Bruno Guglielminetti vous propose un regard sur
l’essentiel de l’actualité numérique avec 120 secondes de Tech.

Ou encore…

Écoutez la plus récente édition de Mon Carnet,
le magazine hebdomadaire de l’actualité numérique.