Muse Voice Transcribe 1.0

Muse Voice Transcribe 1.0 是 Meta 的多语言语音转文字模型，支持 25 种语言及语种混说，包括普通话、英语、日语、韩语、法语、德语和西班牙语。支持语句切分、说话人区分和关键词识别增强。

基础价为 $0.18/小时，即 $0.003/分钟。支持语句级时间轴，不提供逐词时间戳、置信度、声音事件或情绪识别。

使用 POST /v1/audio/transcriptions，以 multipart 表单传入 model=muse-voice-transcribe-1.0 与 file。音频须为 16 kHz 或 24 kHz、单声道、16 位 PCM WAV，最长 10 分钟，最大 32 MB。

language 可指定语种；response_format 支持 json、text、verbose_json、srt、vtt。mode 支持 push_to_talk、endpointing、diarization，关键词可通过 keywords 传入。

不支持翻译接口、流式或 WebSocket 实时转写；prompt、temperature、timestamp_granularities 不生效。计费根据上传音频时长折算，按整秒向上取整。