Meta Superintelligence Lab (MSL) presentó ayer su primer modelo de audio en tiempo real: Muse Voice Transcribe, capaz de transcribir conversaciones con más de 20 participantes simultáneos, distinguir automáticamente entre hablantes (diarización), gestionar múltiples idiomas en la misma sesión y detectar el cambio de código —cuando alguien mezcla palabras de idiomas diferentes en la misma frase— transcribiéndolo con precisión.
Mark Zuckerberg compartió un ejemplo en X que muestra lo más difícil del modelo: dos personas alternando entre inglés y otro idioma dentro de la misma frase, con el sistema distinguiendo entre hablantes y cambiando automáticamente de idioma en tiempo real. El nombre técnico del fenómeno que el modelo resuelve es code-switching, y es uno de los problemas más complejos en transcripción porque requiere que el sistema no solo identifique el idioma sino anticipe el cambio antes de que ocurra, para no perder el inicio de la frase en el idioma nuevo.
¿Cómo funciona y qué lo diferencia de Whisper o de Gemini Transcribe?
El diferenciador técnico que describe Alexandr Wang (de MSL) es la demora adaptativa: el modelo decide cuándo comprometerse con la transcripción de cada token basándose en la certeza que tiene. Espera un poco más en palabras difíciles y transcribe más rápido las fáciles, optimizando la precisión sin sacrificar la latencia total de la sesión. Wang lo describe así: «El modelo decide cuándo escuchar. Espera un poco más en las palabras difíciles y confirma más rápido en las fáciles, usando demora adaptativa para predecir cada token y aumentar la precisión.»
El modelo está entrenado en más de 70 idiomas con 25 validados al lanzamiento. Soporta sesiones de hasta una hora con más de 20 participantes activos. Google lanzó Gemini 3.5 Transcribe hace menos de una semana con capacidades similares, y está integrándolo en Android y eventualmente en Chrome. La diferencia estratégica: Google lo integra nativamente en el sistema operativo; Meta lo lanza como API para desarrolladores y como capacidad dentro de sus propios productos, pero sin un plan de integración en plataformas de terceros tan claro.
Muse Voice Transcribe ya está activo en la aplicación de escritorio Meta AI para Mac, donde actúa como motor de dictado para otras aplicaciones. El modelo también está disponible para desarrolladores a través de Muse Code y la Meta Model API, a un precio de 3 dólares por 1.000 minutos de audio. Para uso intensivo en transcripción de reuniones o entrevistas, ese precio es competitivo con las opciones actuales de mercado.
Esta es la última de una serie de lanzamientos del Meta Superintelligence Lab en las últimas semanas: un agente de código propio (Muse Code), un modelo de peso abierto que corre en un solo ordenador, la aplicación de escritorio Meta AI para Mac y ahora el modelo de audio. MSL, liderado por Alexandr Wang, está construyendo una pila completa de productos de IA con una velocidad de lanzamiento que pocos laboratorios del sector mantienen. En julio de 2026, herramientas que conectan múltiples modelos de IA en móvil comenzaron a proliferar precisamente para responder a la explosión de proveedores. Muse Voice Transcribe añade otra pieza al ecosistema que los usuarios van a querer combinar de formas que los fabricantes no siempre anticipan.
El mercado de transcripción con IA está en un punto de inflexión: la calidad de los mejores modelos es ya suficientemente alta para usos profesionales, y la competencia entre Meta, Google (Gemini Transcribe) y los modelos especializados de empresas como Otter.ai o Rev está comprimiendo los precios y mejorando las capacidades a un ritmo que hace complicado apostar por un único proveedor. Para los desarrolladores que construyen sobre estas APIs, la apuesta más sensata en este momento es diseñar integraciones que puedan cambiar de modelo subyacente sin reescritura mayor.
El timing del lanzamiento de Meta no es casual. Claude Fable 5.1 y Mythos 5.1 —lanzados hoy mismo por Anthropic – también incluyen capacidades mejoradas de procesamiento de audio y contexto multimodal, aunque el foco de Anthropic es diferente: reasoning y coding, no transcripción en tiempo real. El mercado de transcripción con IA está en un momento de consolidación en el que las diferencias entre los mejores modelos se miden en detalles de latencia y cobertura de idiomas, no en si el modelo puede transcribir o no.
En wwwhatsnew.com hemos probado herramientas de transcripción desde Dragon NaturallySpeaking en los 2000 hasta Whisper de OpenAI y las opciones actuales basadas en cloud. Lo que hace notable a Muse Voice Transcribe no es que trascriba —eso lo hace ya decentemente cualquier modelo moderno— sino la combinación de diarización automática, code-switching y demora adaptativa en un único modelo de tiempo real. En las reuniones de trabajo reales, esa combinación es exactamente lo que falta en la mayoría de las soluciones actuales: la capacidad de distinguir quién dijo qué, en qué idioma, y cuándo exactamente. El precio de 3 dólares por 1.000 minutos es también muy competitivo con las soluciones especializadas del mercado.
El contexto competitivo importa. La firma de Anthropic del acuerdo de cómputo con SpaceX Colossus por valor de 1.250 millones de dólares mensuales refleja la escala de inversión que requiere competir en la frontera de la IA en 2026. Meta está haciendo lo mismo: comprometió hasta 135.000 millones de dólares en infraestructura de IA para 2026. El lanzamiento de Muse Voice Transcribe es la primera prueba pública de que MSL puede producir modelos de audio al nivel de los mejores del mercado sin depender de infraestructura de terceros. Para los desarrolladores, eso significa una fuente más de competencia en un segmento donde cuanta más competencia hay, más bajan los precios.
En wwwhatsnew.com hemos seguido el mercado de transcripción desde los primeros modelos de reconocimiento de voz en la nube. La evolución ha sido consistente: cada año, lo que era premium se convierte en estándar. La transcripción básica ya es gratuita en la mayoría de plataformas. Lo que Muse Voice Transcribe intenta capitalizar —diarización de 20+ personas con code-switching— es exactamente la capa de complejidad que todavía cuesta dinero porque requiere mucho más que un buen motor de ASR. Si Meta lo hace bien al precio que anuncia, ese segmento también se democratizará en los próximos 18 meses.