Meta का नया AI मॉडल Muse Voice Transcribe, बोलते ही लिख देगा आपकी बात; 70+ भाषाओं का सपोर्ट

आर्टिफिशियल इंटेलिजेंस की मदद से आवाज को टेक्स्ट में बदलने की तकनीक अब एक और कदम आगे बढ़ गई है। Meta ने 1 सितंबर 2026 को Muse Voice Transcribe नाम का नया रियल-टाइम ऑडियो मॉडल पेश किया है। इसे Meta Superintelligence Labs ने तैयार किया है। कंपनी के मुताबिक यह मॉडल बातचीत के दौरान ही आवाज को टेक्स्ट में बदल सकता है और साथ ही यह भी पहचान सकता है कि किस व्यक्ति ने क्या कहा।

सामान्य ट्रांसक्रिप्शन टूल में अक्सर पहले पूरी रिकॉर्डिंग खत्म होने का इंतजार करना पड़ता है और उसके बाद उसे टेक्स्ट में बदला जाता है। Muse Voice Transcribe इस प्रक्रिया को बदलता है। इसमें बातचीत चलने के साथ ही टेक्स्ट सामने आता रहता है। यह सुविधा मीटिंग, इंटरव्यू, लेक्चर, बातचीत और वॉयस डिक्टेशन जैसे कामों में काफी उपयोगी हो सकती है।

हिंदी समेत 5 भारतीय भाषाओं पर खास जोर

भारत जैसे बहुभाषी देश में इस मॉडल की खासियत इसका भारतीय भाषाओं के लिए सपोर्ट है। Muse Voice Transcribe में हिंदी, तमिल, तेलुगु, कन्नड़ और मलयालम का सपोर्ट दिया गया है। Meta के मुताबिक मॉडल को 70 से ज्यादा भाषाओं पर प्रशिक्षित किया गया है, जबकि शुरुआती रिलीज के लिए 25 भाषाओं को व्यापक रूप से सत्यापित किया गया है।

इसकी एक खास क्षमता कोड-स्विचिंग है। आसान शब्दों में समझें तो अगर कोई व्यक्ति एक ही बातचीत में हिंदी और अंग्रेजी के बीच भाषा बदलता है, तो मॉडल उस बदलाव को समझकर बातचीत को ट्रांसक्राइब कर सकता है। भारत में रोजमर्रा की बातचीत में इस तरह भाषा बदलना आम है, इसलिए यह सुविधा यहां खास महत्व रखती है।

एक साथ 20 से ज्यादा लोगों की आवाज पहचान सकता है

Muse Voice Transcribe की एक और अहम क्षमता स्पीकर डायरीकरण है। इसका मतलब है कि बातचीत में अलग-अलग लोगों की आवाज को अलग पहचानना और यह बताना कि कौन-सा हिस्सा किस स्पीकर ने बोला।

Meta के अनुसार मॉडल 20 से ज्यादा स्पीकर वाली रिकॉर्डिंग को संभाल सकता है। इतना ही नहीं, यह एक घंटे से ज्यादा लंबे ऑडियो को भी प्रोसेस कर सकता है। खास बात यह है कि इसके लिए अलग से पोस्ट-प्रोसेसिंग की जरूरत नहीं होती।

इसका फायदा खास तौर पर पत्रकारों, रिसर्चर्स, शिक्षकों और बिजनेस टीमों को हो सकता है। उदाहरण के लिए किसी लंबे इंटरव्यू में पत्रकार को बाद में यह पता लगाने में कम समय लग सकता है कि कौन-सा बयान किस व्यक्ति ने दिया था।

बोलते समय ही स्क्रीन पर दिखाई देगा टेक्स्ट

Muse Voice Transcribe को स्ट्रीमिंग स्पीच रिकग्निशन के लिए बनाया गया है। यानी व्यक्ति जैसे-जैसे बोलता है, वैसे-वैसे उसका टेक्स्ट तैयार होता जाता है। Meta के मुताबिक मॉडल ऑडियो को छोटे हिस्सों में सुनकर यह तय करता है कि उसे आगे सुनना है या टेक्स्ट का अगला हिस्सा लिखना है।

मॉडल में एडैप्टिव डिले तकनीक का इस्तेमाल किया गया है। इसका उद्देश्य स्पीड और सटीकता के बीच संतुलन बनाना है। आसान शब्दों को जल्दी ट्रांसक्राइब किया जा सकता है, जबकि किसी कठिन शब्द या संदर्भ के लिए मॉडल थोड़ा ज्यादा ऑडियो सुन सकता है। इससे बहुत ज्यादा देरी किए बिना बेहतर ट्रांसक्रिप्शन देने की कोशिश की जाती है।

Artificial Analysis के स्ट्रीमिंग Speech-to-Text लीडरबोर्ड में नंबर-1

Meta ने बताया है कि 1 सितंबर 2026 तक Muse Voice Transcribe ने Artificial Analysis के streaming speech-to-text benchmark में पहला स्थान हासिल किया था। कंपनी के मुताबिक यह सार्वजनिक स्पीकर-डायरीकरण बेंचमार्क में भी शीर्ष प्रदर्शन करने वाले मॉडलों में रहा। हालांकि, ऐसे बेंचमार्क के नतीजे समय के साथ बदल सकते हैं और अलग-अलग टेस्ट की पद्धति के आधार पर प्रदर्शन में अंतर हो सकता है।

इसलिए इसे हर तरह की रिकॉर्डिंग में सबसे सटीक ट्रांसक्रिप्शन देने वाला मॉडल मानना सही नहीं होगा। वास्तविक इस्तेमाल में आवाज की गुणवत्ता, शोर, उच्चारण और बातचीत की स्थिति जैसे कई factors परिणाम को प्रभावित कर सकते हैं।

Meta AI for Mac और Muse Code में इस्तेमाल

Muse Voice Transcribe अब Meta Model API के जरिए डेवलपर्स के लिए उपलब्ध है। इसे Meta AI for Mac और Muse Code में भी डिक्टेशन के लिए इस्तेमाल किया जा रहा है। Meta के मुताबिक Mac पर यह किसी भी ऐप में वॉयस डिक्टेशन के लिए इस्तेमाल किया जा सकता है।

डेवलपर्स के लिए Meta Model API पर इसकी कीमत $3 प्रति 1,000 ऑडियो मिनट रखी गई है। यह करीब $0.18 प्रति ऑडियो घंटे के बराबर है।

भारत में कहां हो सकता है सबसे ज्यादा इस्तेमाल?

Muse Voice Transcribe का इस्तेमाल सिर्फ सामान्य वॉयस डिक्टेशन तक सीमित नहीं रह सकता। भारत में पत्रकार इंटरव्यू के दौरान लाइव ट्रांसक्रिप्शन के लिए, छात्र लेक्चर और नोट्स तैयार करने के लिए और कंपनियां मीटिंग रिकॉर्ड करने के लिए ऐसी तकनीक का इस्तेमाल कर सकती हैं।

बहुभाषी बातचीत इसकी सबसे बड़ी खासियतों में से एक है। जहां लोग हिंदी के साथ अंग्रेजी या दूसरी भारतीय भाषाओं का इस्तेमाल करते हैं, वहां कोड-स्विचिंग को समझने की क्षमता उपयोगी साबित हो सकती है।

हालांकि, महत्वपूर्ण इंटरव्यू, कानूनी दस्तावेज, मेडिकल रिकॉर्ड या आधिकारिक रिपोर्ट तैयार करते समय AI से मिले ट्रांसक्रिप्शन को अंतिम मानने से पहले मूल ऑडियो से उसकी जांच करना जरूरी रहेगा। नाम, आंकड़े और तकनीकी शब्दों में छोटी गलती भी बाद में बड़ी समस्या पैदा कर सकती है।

क्यों अहम है Meta का यह कदम?

Meta पहले ही अपने AI सिस्टम में वॉयस इंटरैक्शन पर काम कर रही है। कंपनी ने Muse Spark को Meta Superintelligence Labs का पहला मॉडल बताया था और इसे Meta AI में इस्तेमाल किया जा रहा है। अब Muse Voice Transcribe के जरिए कंपनी ने रियल-टाइम ऑडियो को समझने और उसे टेक्स्ट में बदलने की दिशा में एक अलग मॉडल पेश किया है।

खास तौर पर भारत जैसे बाजार में, जहां एक ही बातचीत में कई भाषाओं का इस्तेमाल सामान्य है, ऐसे मॉडल का महत्व बढ़ सकता है। अगर रियल-टाइम ट्रांसक्रिप्शन तकनीक लगातार बेहतर होती है, तो आने वाले समय में मीटिंग, पढ़ाई, पत्रकारिता, ग्राहक सेवा और वॉयस असिस्टेंट जैसे क्षेत्रों में बोलकर काम करने का तरीका और आसान हो सकता है।