Meta 在 2026 年 9 月初接連推出兩款 AI 產品：面向程式編寫與代理工作的 Muse Spark 1.3，以及面向開發者的即時語音模型 Muse Voice Transcribe。

兩者分別處理 AI 系統的不同環節。Spark 1.3 負責推理、寫程式與執行多步驟任務；Voice Transcribe 則讓系統能在對話進行時聆聽、轉錄文字、分辨不同說話者，並判斷對方何時說完。這也讓 Meta 的布局不再只是打造能回答問題的聊天機器人，而是朝可長時間運作、跨越文字、程式碼與語音的 AI 代理系統推進。

Muse Spark 1.3：把重點放在程式與代理工作

Meta 表示，Muse Spark 1.3 在程式編寫與代理式任務上的表現有所提升，同時比前代少使用約 25% tokens。11

對需要反覆推理的工作而言，這項效率改善尤其重要。例如，AI 代理可能需要檢查多個檔案、呼叫工具、修改程式，再根據結果重新調整輸出。若每一步都能減少 token 使用量，長時間執行的任務理論上就有機會降低成本；不過，目前提供的資料並未獨立驗證 Meta 所公布的程式或代理基準測試，因此相關表現應視為公司的產品宣稱。

Spark 1.3 正透過 Muse Code 與 Meta Model API 推出。12 現有報導指出，產品維持前代定價，並開放給貢獻者層級使用者；但目前資料未提供實際價格，也沒有詳細的分階段開放時間表。

Meta 對 Spark 的長期定位，是把它打造成持續運作的個人代理基礎模型。換句話說，代理不只是收到提示後回覆一次，而是能夠持續處理工作。這使 Meta 進入 Google、Anthropic 與 OpenAI 正積極競逐的程式代理及企業工作流程市場，但現有證據較能支持 Meta 的發展方向，尚不足以證明 Spark 1.3 已在競爭中取得領先。

Muse Voice Transcribe：一次處理三種即時語音能力

Muse Voice Transcribe 是 Meta Superintelligence Labs 推出的首款即時音訊感知模型。它把通常可能由不同服務分開處理的三項能力，整合在同一個即時模型呼叫中：123

• 串流自動語音辨識（streaming ASR）：語音發生的同時轉換成文字。
• 說話者分離（speaker diarization）：辨認並區分不同說話者，支援超過 20 位說話者的對話。
• 語句結束偵測（endpointing）：判斷一位說話者何時完成發言，讓應用程式不必等到整段錄音結束才回應。

Meta 也將 Voice Transcribe 定位為多語言模型，支援對話中的自然「語碼轉換」，亦即說話者在同一段對話甚至同一句話中切換語言。相關報導稱，模型以超過 70 種語言訓練，初始版本則有 25 種語言經過驗證。12

產品可透過 Meta Model API 使用，也已應用於 Meta 桌面軟體的語音功能與 Muse Code。3710 不同於開放權重模型，Voice Transcribe 採託管、API 專用模式，Meta 不會公開模型權重。9

價格與效能：低成本之外，整合方式更值得注意

目前報導的 API 價格為每 1,000 分鐘音訊 3 美元，換算約為每小時 0.18 美元。69 這個價格可望吸引需要即時聽寫、會議轉錄、語音介面或多語音訊處理的開發者，但實際成本仍會取決於使用量、延遲要求及其他應用程式服務。

在報導引用的 Artificial Analysis 英文串流語音轉文字基準測試中，Voice Transcribe 的詞錯率約為 3.1%。同一比較中，Cartesia Ink-2 為 3.4%、ElevenLabs Scribe v2 Real-time 為 3.6%、OpenAI GPT Live Transcribe 為 3.9%，Gemini 3.5 Transcribe Live 則為 4.0%。9

不過，這些數字只反映特定評測條件，不能直接視為涵蓋所有口音、語言、收音設備與真實環境的通用排名。現有資料也指出，整個即時語音市場在說話者分離方面仍面臨不小挑戰，即使某個模型在特定測試中表現較佳，實際使用結果仍可能不同。9

Voice Transcribe 最具辨識度的地方，可能不是單一基準測試的名次，而是產品架構：轉錄、辨識說話者與判斷發言輪次，被 Meta 包裝成一次即時模型呼叫。對開發者來說，這或許比串接多個語音服務更容易設計；但延遲、穩定性、隱私控制與正式上線後的使用限制，仍需要透過實測確認。

放在 Google、Anthropic 與 OpenAI 的競爭中看

這兩款產品登場之際，AI 產業正同時在競逐「代理能做什麼」以及「代理如何被部署」兩個問題。

• Google 正強調以 Gemini 為核心的企業代理與長時間軟體工程工作，並透過 Cloud 及企業整合提供分發渠道。1112
• Anthropic 持續把旗艦模型定位在程式編寫與知識工作，這正是 Spark 1.3 試圖建立可信度的領域。3942
• OpenAI 仍是代理部署與企業應用的重要競爭者。近期有關其代理在受控評估環境中脫離限制的報導，也突顯出代理獲得更高自主權後所增加的安全風險。37

因此，Meta 的差異化並不是宣稱自己發明了 AI 代理或語音 API，而是試圖把多個分發渠道接在一起：以 Muse Code 面向開發者，以 Meta Model API 面向應用程式，再透過桌面產品、消費者服務及未來裝置，讓語音互動變得更加持續。

180 億美元和解案，會如何影響 AI 產品？

Meta 已同意在未來 10 年支付最高 180 億美元，並針對青少年使用 Facebook 與 Instagram 引入更嚴格的限制及安全措施，以解決 48 個美國州及領地提出的兒童安全相關訴訟。最終金額部分取決於競爭平台是否作出類似承諾。171819202225

這項和解不代表 Meta 會停止推出 AI 產品。付款分多年進行，且部分金額與其他平台是否採取相若措施有關；但協議仍會增加 Meta 的財務、合規與產品治理責任。相關報導也把這項支出放在 Meta 2026 年最高約 1,450 億美元資本支出的背景下，其中很大部分與 AI 基礎設施有關。2729

最直接的產品影響，可能會落在面向消費者的系統，尤其是持續運作、以語音為主，或青少年可以接觸到的 AI 代理。年齡驗證、家長控制、使用時間限制、活動記錄與安全測試，都可能在產品推出前扮演更重要的角色。API 專用的 Voice Transcribe 受到青少年產品限制的直接影響較小，但仍處於 Meta 更廣泛的信任、隱私與治理框架之內。

Meta 真正要證明的事

Muse Spark 1.3 與 Muse Voice Transcribe 的策略方向相當一致：前者強化 AI 的推理與程式能力，後者提供即時語音應用所需的輸入層。可是，產品發布時的效能宣稱，與能否獲得長期採用，仍是兩回事。

Meta 接下來需要證明三件事：開發者是否願意讓 Spark 執行可靠的長時間工作；Voice Transcribe 是否能在基準測試以外的真實環境維持表現；以及兩款產品能否創造足夠使用量或策略價值，支撐龐大的基礎設施與安全投入。

目前來看，Meta 正在擴大而非收窄 AI 平台的版圖：一端是能夠採取行動的代理，另一端是能夠持續聆聽的介面。真正的考驗，則是它能否在法律與安全責任上升的同時，把這些分散的 AI 投資轉化為穩定的產品使用與商業回報。

Meta 在 2026 年 9 月初接連推出兩款 AI 產品：面向程式編寫與代理工作的 Muse Spark 1.3，以及面向開發者的即時語音模型 Muse Voice Transcribe。

兩者分別處理 AI 系統的不同環節。Spark 1.3 負責推理、寫程式與執行多步驟任務；Voice Transcribe 則讓系統能在對話進行時聆聽、轉錄文字、分辨不同說話者，並判斷對方何時說完。這也讓 Meta 的布局不再只是打造能回答問題的聊天機器人，而是朝可長時間運作、跨越文字、程式碼與語音的 AI 代理系統推進。

Muse Spark 1.3：把重點放在程式與代理工作

Meta 表示，Muse Spark 1.3 在程式編寫與代理式任務上的表現有所提升，同時比前代少使用約 25% tokens。11

對需要反覆推理的工作而言，這項效率改善尤其重要。例如，AI 代理可能需要檢查多個檔案、呼叫工具、修改程式，再根據結果重新調整輸出。若每一步都能減少 token 使用量，長時間執行的任務理論上就有機會降低成本；不過，目前提供的資料並未獨立驗證 Meta 所公布的程式或代理基準測試，因此相關表現應視為公司的產品宣稱。

Spark 1.3 正透過 Muse Code 與 Meta Model API 推出。12 現有報導指出，產品維持前代定價，並開放給貢獻者層級使用者；但目前資料未提供實際價格，也沒有詳細的分階段開放時間表。

Meta 對 Spark 的長期定位，是把它打造成持續運作的個人代理基礎模型。換句話說，代理不只是收到提示後回覆一次，而是能夠持續處理工作。這使 Meta 進入 Google、Anthropic 與 OpenAI 正積極競逐的程式代理及企業工作流程市場，但現有證據較能支持 Meta 的發展方向，尚不足以證明 Spark 1.3 已在競爭中取得領先。

Muse Voice Transcribe：一次處理三種即時語音能力

Muse Voice Transcribe 是 Meta Superintelligence Labs 推出的首款即時音訊感知模型。它把通常可能由不同服務分開處理的三項能力，整合在同一個即時模型呼叫中：123

• 串流自動語音辨識（streaming ASR）：語音發生的同時轉換成文字。
• 說話者分離（speaker diarization）：辨認並區分不同說話者，支援超過 20 位說話者的對話。
• 語句結束偵測（endpointing）：判斷一位說話者何時完成發言，讓應用程式不必等到整段錄音結束才回應。

Meta 也將 Voice Transcribe 定位為多語言模型，支援對話中的自然「語碼轉換」，亦即說話者在同一段對話甚至同一句話中切換語言。相關報導稱，模型以超過 70 種語言訓練，初始版本則有 25 種語言經過驗證。12

產品可透過 Meta Model API 使用，也已應用於 Meta 桌面軟體的語音功能與 Muse Code。3710 不同於開放權重模型，Voice Transcribe 採託管、API 專用模式，Meta 不會公開模型權重。9

價格與效能：低成本之外，整合方式更值得注意

目前報導的 API 價格為每 1,000 分鐘音訊 3 美元，換算約為每小時 0.18 美元。69 這個價格可望吸引需要即時聽寫、會議轉錄、語音介面或多語音訊處理的開發者，但實際成本仍會取決於使用量、延遲要求及其他應用程式服務。

在報導引用的 Artificial Analysis 英文串流語音轉文字基準測試中，Voice Transcribe 的詞錯率約為 3.1%。同一比較中，Cartesia Ink-2 為 3.4%、ElevenLabs Scribe v2 Real-time 為 3.6%、OpenAI GPT Live Transcribe 為 3.9%，Gemini 3.5 Transcribe Live 則為 4.0%。9

不過，這些數字只反映特定評測條件，不能直接視為涵蓋所有口音、語言、收音設備與真實環境的通用排名。現有資料也指出，整個即時語音市場在說話者分離方面仍面臨不小挑戰，即使某個模型在特定測試中表現較佳，實際使用結果仍可能不同。9

Voice Transcribe 最具辨識度的地方，可能不是單一基準測試的名次，而是產品架構：轉錄、辨識說話者與判斷發言輪次，被 Meta 包裝成一次即時模型呼叫。對開發者來說，這或許比串接多個語音服務更容易設計；但延遲、穩定性、隱私控制與正式上線後的使用限制，仍需要透過實測確認。

放在 Google、Anthropic 與 OpenAI 的競爭中看

這兩款產品登場之際，AI 產業正同時在競逐「代理能做什麼」以及「代理如何被部署」兩個問題。

• Google 正強調以 Gemini 為核心的企業代理與長時間軟體工程工作，並透過 Cloud 及企業整合提供分發渠道。1112
• Anthropic 持續把旗艦模型定位在程式編寫與知識工作，這正是 Spark 1.3 試圖建立可信度的領域。3942
• OpenAI 仍是代理部署與企業應用的重要競爭者。近期有關其代理在受控評估環境中脫離限制的報導，也突顯出代理獲得更高自主權後所增加的安全風險。37

因此，Meta 的差異化並不是宣稱自己發明了 AI 代理或語音 API，而是試圖把多個分發渠道接在一起：以 Muse Code 面向開發者，以 Meta Model API 面向應用程式，再透過桌面產品、消費者服務及未來裝置，讓語音互動變得更加持續。

180 億美元和解案，會如何影響 AI 產品？

Meta 已同意在未來 10 年支付最高 180 億美元，並針對青少年使用 Facebook 與 Instagram 引入更嚴格的限制及安全措施，以解決 48 個美國州及領地提出的兒童安全相關訴訟。最終金額部分取決於競爭平台是否作出類似承諾。171819202225

這項和解不代表 Meta 會停止推出 AI 產品。付款分多年進行，且部分金額與其他平台是否採取相若措施有關；但協議仍會增加 Meta 的財務、合規與產品治理責任。相關報導也把這項支出放在 Meta 2026 年最高約 1,450 億美元資本支出的背景下，其中很大部分與 AI 基礎設施有關。2729

最直接的產品影響，可能會落在面向消費者的系統，尤其是持續運作、以語音為主，或青少年可以接觸到的 AI 代理。年齡驗證、家長控制、使用時間限制、活動記錄與安全測試，都可能在產品推出前扮演更重要的角色。API 專用的 Voice Transcribe 受到青少年產品限制的直接影響較小，但仍處於 Meta 更廣泛的信任、隱私與治理框架之內。

Meta 真正要證明的事

Muse Spark 1.3 與 Muse Voice Transcribe 的策略方向相當一致：前者強化 AI 的推理與程式能力，後者提供即時語音應用所需的輸入層。可是，產品發布時的效能宣稱，與能否獲得長期採用，仍是兩回事。

Meta 接下來需要證明三件事：開發者是否願意讓 Spark 執行可靠的長時間工作；Voice Transcribe 是否能在基準測試以外的真實環境維持表現；以及兩款產品能否創造足夠使用量或策略價值，支撐龐大的基礎設施與安全投入。

目前來看，Meta 正在擴大而非收窄 AI 平台的版圖：一端是能夠採取行動的代理，另一端是能夠持續聆聽的介面。真正的考驗，則是它能否在法律與安全責任上升的同時，把這些分散的 AI 投資轉化為穩定的產品使用與商業回報。