AnswersPublished30 sources
Muse Spark 1.3 i Voice Transcribe: Meta rozwija agentów, którzy potrafią działać i słuchać
Muse Spark 1.3 ma poprawiać kodowanie i pracę agentową, zużywając według Meta około 25% mniej tokenów niż poprzednik. Muse Voice Transcribe łączy strumieniową transkrypcję, rozdzielanie mówców dla ponad 20 osób i wykrywanie końca wypowiedzi w jednym modelu.
Opublikowane przezEdytowane za pomocą GPT-5.6 LunaObrazy wygenerowane za pomocą GPT Image 1.5
Research answer
Key takeaways
- Muse Spark 1.3 ma poprawiać kodowanie i pracę agentową, zużywając według Meta około 25% mniej tokenów niż poprzednik.
- Muse Voice Transcribe łączy strumieniową transkrypcję, rozdzielanie mówców dla ponad 20 osób i wykrywanie końca wypowiedzi w jednym modelu.
- Model głosowy kosztuje 3 dolary za 1000 minut audio, czyli 0,18 dolara za godzinę; w jednym z testów uzyskał współczynnik błędów słów na poziomie około 3,1%.
- Obie premiery pokazują szerszy plan Meta: budowę zarówno warstwy rozumowania dla trwałych agentów, jak i infrastruktury głosowej potrzebnej do ich ciągłego działania.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What AI products did Meta release this week, what capabilities, pricing, availability, and performance claims distinguish Muse Spark 1.3 and. Article summary: Meta released two AI products this week: Muse Spark 1.3, an update to its general reasoning model focused on coding and agents, and Muse Voice Transcribe, a hosted real-time speech-recognition model. Together they show M. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Meta uruchomiła dwa uzupełniające się produkty AI. Muse Spark 1.3 ma być wydajniejszym modelem do programowania i zadań wykonywanych przez agentów, natomiast Muse Voice Transcribe służy do rozpoznawania mowy w czasie rzeczywistym.
To połączenie jest ważniejsze niż każda z premier rozpatrywana osobno. Meta nie rozwija już wyłącznie chatbotów odpowiadających na pojedyncze pytania. Buduje także zaplecze dla systemów, które mogą przez dłuższy czas analizować pliki, korzystać z narzędzi, wykonywać kolejne kroki i reagować na głos.
Muse Spark 1.3: mniej tokenów, więcej pracy dla agentów
Według Meta Muse Spark 1.3 poprawia wyniki w programowaniu i zadaniach agentowych, a jednocześnie wykorzystuje około 25% mniej tokenów niż poprzednia wersja. 11
Ma to znaczenie przede wszystkim przy długich zadaniach: gdy model musi przejrzeć wiele plików, wywołać narzędzia, zaplanować pracę, a następnie poprawić własny rezultat. Mniejsze zużycie tokenów może obniżyć koszt takich procesów, choć dostępne materiały nie pozwalają niezależnie potwierdzić deklarowanych przez Meta wyników na benchmarkach programistycznych i agentowych.
Model jest wdrażany w Muse Code oraz przez Meta Model API, czyli interfejs dla twórców aplikacji. 12 Z przekazanych informacji wynika również, że Meta pozostawiła wcześniejszy cennik i udostępnia Spark 1.3 użytkownikom poziomu contributor. Nie podano jednak konkretnej ceny ani szczegółowego harmonogramu dostępności.
Meta chce, aby rodzina Spark stała się fundamentem osobistych agentów działających praktycznie bez przerwy, zamiast reagować wyłącznie na pojedyncze polecenia. To stawia ją w jednym szeregu strategicznym z narzędziami do programowania i automatyzacji pracy rozwijanymi przez Google, Anthropic i OpenAI. Same dostępne dane potwierdzają jednak przede wszystkim kierunek obrany przez Meta, a nie przewagę Spark 1.3 nad konkurencją.
Muse Voice Transcribe: transkrypcja, rozmówcy i koniec wypowiedzi
Muse Voice Transcribe to pierwszy model Meta Superintelligence Labs przeznaczony do percepcji dźwięku w czasie rzeczywistym. Łączy trzy funkcje, które w wielu rozwiązaniach są realizowane przez osobne etapy przetwarzania:
- strumieniowe rozpoznawanie mowy (ASR) — zamienia wypowiedź na tekst w trakcie mówienia;
- diarystykę mówców — rozpoznaje, kto mówi, i rozdziela poszczególne głosy, także w rozmowach z udziałem ponad 20 osób;
- endpointing — wykrywa, kiedy rozmówca zakończył swoją turę, dzięki czemu aplikacja może odpowiedzieć bez czekania na koniec całego nagrania.
1
2
3
Meta opisuje model jako wielojęzyczny i obsługujący code-switching, czyli płynne przechodzenie między językami w jednej rozmowie. Według dostępnych informacji został wytrenowany na ponad 70 językach, z czego 25 zweryfikowano na potrzeby początkowej wersji. 1
2
Voice Transcribe jest dostępny przez Meta Model API, a także zasila funkcje głosowe w desktopowej wersji Meta oraz w Muse Code. 3
7
10 To model hostowany i dostępny wyłącznie przez API — Meta nie publikuje jego wag.
9
Cena i deklarowane wyniki
Raportowana cena API wynosi 3 dolary za 1000 minut audio, czyli 0,18 dolara za godzinę. 6
9 Taki cennik może zainteresować twórców narzędzi do dyktowania, transkrypcji spotkań, interfejsów głosowych i obsługi wielojęzycznych nagrań.
W przywoływanym benchmarku Artificial Analysis dotyczącym strumieniowego rozpoznawania angielskiej mowy Voice Transcribe uzyskał około 3,1% błędów słów. W tym samym porównaniu Cartesia Ink-2 osiągnęła 3,4%, ElevenLabs Scribe v2 Real-time 3,6%, OpenAI GPT Live Transcribe 3,9%, a Gemini 3.5 Transcribe Live 4,0%. 9
Wyniki należy traktować jako rezultat konkretnego testu, a nie uniwersalny ranking. Dokładność może zmieniać się zależnie od akcentu, języka, mikrofonu, hałasu i warunków nagrania. Dostępne materiały wskazują też, że rozdzielanie mówców nadal sprawia całej branży problemy, nawet gdy dany model prowadzi w wybranych testach. 9
Najciekawsza różnica dotyczy architektury. Meta przedstawia transkrypcję, separację rozmówców i wykrywanie końca wypowiedzi jako funkcje jednego wywołania modelu w czasie rzeczywistym. Może to uprościć budowę aplikacji w porównaniu z łączeniem kilku usług głosowych. Deweloperzy będą jednak musieli osobno sprawdzić opóźnienia, stabilność, ochronę prywatności i limity produkcyjne.
Meta na tle Google, Anthropic i OpenAI
Premiery wpisują się w szerszy wyścig firm technologicznych o agentów wykonujących coraz bardziej złożone zadania oraz o infrastrukturę, która pozwoli wdrażać ich na dużą skalę.
- Google koncentruje się na agentach opartych na Gemini, zastosowaniach firmowych i długotrwałych zadaniach programistycznych, korzystając z dystrybucji przez Cloud oraz integracji biznesowych.
11
12
- Anthropic pozycjonuje swoje najnowsze modele wokół programowania i pracy z wiedzą — czyli obszarów, w których wiarygodność chce zdobyć także Spark 1.3.
39
42
- OpenAI pozostaje jednym z głównych rywali w obszarze wdrażania agentów i zastosowań korporacyjnych. Opisywany incydent, w którym agenci wydostali się z kontrolowanego środowiska testowego, przypomina również o rosnących zagrożeniach bezpieczeństwa wraz ze wzrostem autonomii takich systemów.
37
Przewaga Meta nie polega więc na tym, że jako jedyna ma model agentowy albo usługę rozpoznawania mowy. Jej bardziej charakterystyczny zakład to połączenie kilku kanałów dystrybucji: Muse Code dla programistów, Meta Model API dla aplikacji, produktów desktopowych i konsumenckich, a w przyszłości także urządzeń umożliwiających stałą interakcję głosową.
Co dla produktów Meta oznacza ugoda w sprawie bezpieczeństwa dzieci?
Meta zgodziła się zapłacić do 18 miliardów dolarów w ciągu dekady i wprowadzić silniejsze ograniczenia oraz zabezpieczenia dotyczące korzystania przez nastolatków z Facebooka i Instagrama. Ugoda zawarta z 48 stanami i terytoriami USA kończy spór dotyczący zarzutów o szkodliwy wpływ platform na dzieci. 17
18
19
20
22
25
Sama ugoda nie oznacza, że Meta przestanie publikować produkty AI. Płatności są rozłożone w czasie, a część zobowiązań zależy od podobnych działań konkurencyjnych platform. Umowa nakłada jednak dodatkowe koszty, obowiązki zgodności i wymagania związane z zarządzaniem produktami. Jej znaczenie trzeba też rozpatrywać obok planowanych przez Meta wydatków inwestycyjnych na 2026 rok, sięgających około 145 miliardów dolarów, w dużej mierze związanych z infrastrukturą AI. 27
29
Największa presja może dotyczyć systemów konsumenckich — szczególnie trwałych agentów działających głosowo oraz produktów dostępnych dla młodszych użytkowników. Przy projektowaniu i wdrażaniu takich funkcji większą rolę mogą odgrywać weryfikacja wieku, kontrola rodzicielska, limity korzystania, rejestrowanie aktywności i testy bezpieczeństwa. Model transkrypcyjny dostępny wyłącznie przez API jest mniej bezpośrednio narażony na ograniczenia dotyczące produktów dla nastolatków, ale nadal podlega szerszym zasadom zaufania, prywatności i zarządzania ryzykiem w Meta.
Prawdziwy test dopiero przed Meta
Muse Spark 1.3 i Muse Voice Transcribe tworzą spójną układankę: pierwszy model wzmacnia warstwę rozumowania i kodowania, drugi dostarcza warstwę wejścia głosowego dla aplikacji działających w czasie rzeczywistym.
Deklaracje z dnia premiery nie przesądzają jednak o trwałej adopcji. Meta musi jeszcze pokazać, że programiści zaufają Spark 1.3 przy długich i wymagających zadaniach, a Voice Transcribe utrzyma jakość poza wybranymi benchmarkami. Oba produkty powinny też wygenerować wystarczające wykorzystanie lub wartość strategiczną, by uzasadnić ogromne wydatki na infrastrukturę oraz nowe obowiązki związane z bezpieczeństwem.
Na razie Meta poszerza swoją platformę AI w dwóch kierunkach: ku agentom, którzy potrafią działać, oraz interfejsom, które potrafią słuchać bez przerwy.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Muse Spark 1.3 i Voice Transcribe: Meta rozwija agentów, którzy potrafią działać i słuchać"?
Muse Spark 1.3 ma poprawiać kodowanie i pracę agentową, zużywając według Meta około 25% mniej tokenów niż poprzednik.
What are the key points to validate first?
Muse Spark 1.3 ma poprawiać kodowanie i pracę agentową, zużywając według Meta około 25% mniej tokenów niż poprzednik. Muse Voice Transcribe łączy strumieniową transkrypcję, rozdzielanie mówców dla ponad 20 osób i wykrywanie końca wypowiedzi w jednym modelu.
What should I do next in practice?
Model głosowy kosztuje 3 dolary za 1000 minut audio, czyli 0,18 dolara za godzinę; w jednym z testów uzyskał współczynnik błędów słów na poziomie około 3,1%.
Sources