Meta Superintelligence Labs выкатила Muse Voice Transcribe: вместо трёх отдельных систем в реальном времени работает одна авторегрессионная модель. Что внутри. Мультизадачный подход: одна нейросеть решает сразу ASR (распознавание речи), диаризацию (кто говорит) и endpointing (детекция конца фразы). Промежуточные передачи данных между системами убраны — модель работает сквозным потоком от аудио до финальной разметки. Зачем это нужно. Три модели — три точки отказа. Когда они связаны последовательно, сбой любой звена роняет всю цепочку. Одна модель — одна ответственность, проще мониторить и поддерживать. Задержка тоже падает: нет накладных расходов на ожидание между этапами. Meta не раскрыла метрики качества модели, а также не уточнила стоимость и условия использования — оценить, насколько Muse Voice Transcribe выигрывает у конкурентов по точности, пока нельзя. Что это значит: инженерный выигрыш налицо, но без цифр и открытого доступа это скорее демонстрация подхода, чем рабочий инструмент.