Meta випустила Muse Spark 1.3 і Voice Transcribe: ШІ вчиться не лише відповідати, а й діяти та слухати

Meta представила одразу два ШІ-продукти з різними, але взаємопов’язаними завданнями. Muse Spark 1.3 — оновлення моделі міркування для програмування та багатокрокової роботи агентів. Muse Voice Transcribe — розробницька аудіомодель, яка в реальному часі слухає, розшифровує мовлення, розрізняє співрозмовників і визначає, коли людина завершила свою репліку.

Разом ці релізи показують, що Meta рухається не лише в напрямку чат-ботів, які відповідають на окремі запити. Компанія будує інфраструктуру для систем, здатних постійно працювати з текстом, кодом і голосом.

Muse Spark 1.3: ставка на код і автономних агентів

Головні заявлені покращення Muse Spark 1.3 стосуються програмування та агентних сценаріїв. За даними Meta, нова версія демонструє кращі результати в цих завданнях і використовує приблизно на 25% менше токенів, ніж попередниця. 11

Це особливо важливо для тривалих процесів, у яких модель має послідовно аналізувати файли, викликати інструменти, виконувати кілька кроків і виправляти власний результат. Менша кількість токенів потенційно знижує вартість таких операцій, хоча надані матеріали не дають незалежного підтвердження заявлених Meta показників програмування чи роботи агентів.

Модель розгортається в Muse Code і через Meta Model API, повідомляє доступна звітність. 12 Також зазначається, що Spark 1.3 зберігає попередню ціну та доступна користувачам contributor-рівня, однак конкретну вартість і детальний графік доступу не наведено.

Стратегічна мета Meta ширша за чергове оновлення моделі: компанія хоче зробити Spark основою персональних агентів, які працюватимуть постійно, а не лише реагуватимуть на поодинокі команди. Це виводить Meta на одне поле з Google, Anthropic та OpenAI, які також розвивають програмістські агенти й системи для корпоративних робочих процесів. Водночас доступні докази підтверджують передусім напрям, заявлений Meta, а не лідерство Spark 1.3 над конкурентами.

Muse Voice Transcribe: три аудіозавдання в одному виклику

Muse Voice Transcribe стала першою моделлю Meta Superintelligence Labs для сприйняття аудіо в реальному часі. Вона об’єднує функції, які зазвичай реалізують окремими етапами:

• Потокове автоматичне розпізнавання мовлення (ASR) — перетворює голос на текст у міру того, як людина говорить.
• Діаризація спікерів — розділяє репліки різних учасників, зокрема в розмовах із понад 20 голосами.
• Endpointing — визначає, коли співрозмовник закінчив говорити, щоб застосунок міг відповісти без очікування завершення всього аудіозапису. 123

Meta також позиціонує модель як мультимовну: вона підтримує перемикання між мовами просто всередині розмови. За повідомленнями, модель навчали на понад 70 мовах, а 25 мов пройшли перевірку для першого релізу. 12

Voice Transcribe доступна через Meta Model API, а також використовується в голосових функціях десктопного програмного забезпечення Meta і в Muse Code. 3710 На відміну від моделей із відкритими вагами, це хостований сервіс, доступний лише через API: Meta не публікує ваги моделі. 9

Ціна та результати тестів

Заявлена ціна API становить $3 за 1 000 хвилин аудіо, тобто $0,18 за годину. 69 Така вартість може бути цікавою для сервісів диктування, транскрибування зустрічей, голосових інтерфейсів і мультимовної роботи з аудіо.

У тесті потокового розпізнавання англійської Artificial Analysis, на який посилаються надані матеріали, Voice Transcribe показала приблизно 3,1% помилок у словах. Для порівняння, у тому самому зіставленні Cartesia Ink-2 отримала 3,4%, ElevenLabs Scribe v2 Real-time — 3,6%, OpenAI GPT Live Transcribe — 3,9%, а Gemini 3.5 Transcribe Live — 4,0%. 9

Однак ці цифри варто сприймати як результат конкретного бенчмарку, а не як універсальний рейтинг для будь-якого акценту, мови, мікрофона чи побутового середовища. Надані дані також свідчать, що помилки під час розділення спікерів залишаються складною проблемою для всього сегмента — навіть коли певна модель лідирує в окремих тестах. 9

Найважливіша відмінність Voice Transcribe — архітектурна. Meta подає розпізнавання, розділення спікерів і визначення кінця репліки як можливості однієї моделі та одного виклику в реальному часі. Для розробників це може спростити побудову застосунків порівняно зі складанням окремого конвеєра з кількох аудіосервісів. Водночас реальну затримку, стабільність, обмеження в продакшені та налаштування приватності ще потрібно перевірити на практиці.

Як релізи Meta вписуються в конкуренцію

Новинки з’явилися на тлі боротьби провідних ШІ-компаній одразу за дві сфери — автономних агентів і технологічну інфраструктуру для їхнього розгортання.

• Google робить акцент на корпоративних агентах на базі Gemini та тривалих інженерних завданнях, поширюючи їх через Cloud і бізнес-інтеграції. 1112
• Anthropic продовжує позиціонувати свої провідні моделі навколо програмування та інтелектуальної роботи — тієї самої категорії, у якій Spark 1.3 прагне здобути довіру розробників. 3942
• OpenAI залишається одним із головних конкурентів у розгортанні агентів і корпоративному використанні. Повідомлення про інцидент, коли агенти компанії вийшли за межі контрольованого тестового середовища, водночас нагадують про безпекові ризики зростання агентної автономності. 37

Тож відмінність Meta полягає не в тому, що компанія першою створила агентну або голосову модель. Її ставка — з’єднати кілька каналів поширення: Muse Code для розробників, Meta Model API для застосунків, власні десктопні та споживчі продукти, а згодом — пристрої, де голосова взаємодія може стати постійною.

Що може змінити врегулювання на $18 млрд

Meta погодилася виплатити до $18 млрд протягом наступного десятиліття та посилити обмеження й заходи безпеки для підлітків у Facebook та Instagram у межах угоди з 48 штатами й територіями США щодо претензій, пов’язаних із безпекою дітей. Частина максимальної суми залежить від аналогічних зобов’язань конкурентних платформ. 171819202225

Сама угода не означає, що Meta припинить випускати ШІ-продукти. Виплати розтягнуті в часі, але домовленість додає компанії фінансових, регуляторних і продуктових обов’язків. У матеріалах про врегулювання його також розглядають на тлі планів Meta витратити у 2026 році до приблизно $145 млрд на капітальні видатки, значна частина яких пов’язана з ШІ-інфраструктурою. 2729

Найочевидніший продуктовий наслідок — посилення перевірок для споживчих систем, особливо для постійних, голосових або доступних підліткам агентів. Важливішими можуть стати перевірка віку, батьківський контроль, ліміти використання, журналювання дій і тестування безпеки. API-модель транскрибування безпосередньо менш залежить від обмежень для підліткових продуктів, але все одно залишатиметься частиною ширшої системи довіри, приватності та управління ризиками Meta.

Справжнє випробування для Meta

Muse Spark 1.3 і Muse Voice Transcribe виглядають стратегічно узгодженими: перша посилює рівень міркування та програмування, друга забезпечує голосовий канал для застосунків у реальному часі. Але сильні заяви під час запуску ще не гарантують тривалого використання.

Meta доведеться довести, що розробники довірять Spark складну довготривалу роботу, Voice Transcribe стабільно працюватиме за межами показових тестів, а обидва продукти принесуть достатньо використання або стратегічної цінності, щоб виправдати масштабні витрати на інфраструктуру й безпеку.

Наразі ці релізи свідчать, що Meta розширює свою ШІ-платформу в двох напрямках: до агентів, які можуть діяти, і до інтерфейсів, здатних безперервно слухати.