那行不等人的字
視訊會議進行到第四十分鐘，畫面下緣有一行字追著人聲跑。講者的句子還沒收尾，字已經一截一截落下；換人發言，行首那枚膠囊標籤跟著換色，藍的換成綠的，說話者 3 換成說話者 4。沒有人按停會議，沒有人事後上傳錄音檔，那份逐字稿在說話的當下自己長出來。這種畫面下緣一行白字的排版文法，我們在分別總是在九月的歌詞字幕設計裡拆解過，如今它從剪輯室搬進了即時通訊的畫面。
九月一日，科技媒體 9to5Mac 報導，Meta 推出 Muse Voice Transcribe，是該公司第一個即時音訊感知模型。過去的轉寫是批次式的：錄完，上傳，等待，收到一份文件。這個模型把流程改成串流，辨識與說話同步，文字一小段一小段持續輸出，會議結束時，稿子已經在螢幕上等著。開發者透過 Meta Model API 呼叫這項能力，計價採用量制，每一千分鐘音訊 3 美元，換算下來每小時 0.18 美元。
流程的整合值得多看一眼。串流辨識與說話者分離原本分屬不同環節，端點檢測常靠人工切分，現在三者放進同一條流程，模型自己判斷誰在說話、話說完了沒有。輸出的東西身分也跟著變了：拿到手的是一份有結構的文件，段落與歸屬都已就位。
分軌的視覺文法
這個模型可以在單段錄音裡分離二十餘位說話者，支援的音訊長度超過一小時，擺明了是為大型會議與長講座準備的規格。二十這個數字對介面是直接的考驗。會議軟體的慣例是給每位說話者一枚色塊：藍、綠、橘、紫，四色之後就開始勉強，色彩的可辨識數量遠低於真實人羣的規模。大型會議的畫面裡，真正扛起辨識的往往是編號與字重，「說話者 17」幾個字比色塊可靠，縮排與區塊間距比任何裝飾都更能交代結構。
端點檢測對應到排版裡最小的單位：標點。模型判斷一段話結束，落在畫面上就是一個句號、一次換行、一個新區塊。標點的來源因此改變了，它從整理者的鍵盤移到說話者的停頓，段落成為當下即時生成的格式。一份成熟的逐字稿還有其他配件：發言前的時間戳讓文字可以被點回聲音，名字加粗讓瀏覽的人掃一眼就知道誰在講話。這些格式過去由人工事後套用，現在成了模型輸出時就該排好的骨架。
格式裡還有語言的混雜。訓練涵蓋七十餘種語言，發布時完成二十五種驗證，並且支援句內與句間的自然切換。中英夾雜本來就是臺灣會議室的常態，一句話裡兩種文字系統輪流出現，字距與基線對齊都成了前端要接住的問題。模型端解決了聽懂切換，版面端還得解決混排得體，兩件事中間隔著一整套字體工程的功夫。
自適應延遲：被設計出來的節奏
模型最有意思的部分在節奏。Meta 引入一套名為自適應延遲的動態決策機制：系統對每個詞逐一判斷，需要再聽多少音訊之後才送出辨識結果。容易辨識的詞快速提交，發音含糊、術語密集或語境複雜的詞，多等一些前後文再落筆。速度與準確度的取捨，從一套全域的統一設定，改成逐詞的即時判斷。
這像一位有經驗的聽打員。人名職稱放慢半拍，等語境確認再寫；日常用語一路跟上，不讓稿子落後太多。後製字幕的節奏原本也掌握在同樣的手感裡，一行字停多久、什麼時機換行，靠的是剪輯人員對閱讀速度的判斷。自適應延遲等於把這份手感寫成機制，還攤開在 API 裡讓開發者調整。
這種節奏會在介面上留下痕跡。串流輸入法的經驗我們很熟悉：候選字先給一個，隨後修正。即時轉寫也一樣，文字會出現、修改、再確定。設計上於是多了一個抉擇：要不要讓使用者看見修正的過程。露出過程誠實，只給定稿乾淨，主流的會議字幕目前多選後者，代價是那行字永遠慢上半拍。開發者另外握有一層調校，透過語言、關鍵詞與上下文的偏置，把產品名、部門代號、常出現的人名餵給模型，辨識就會向這些詞傾斜。邏輯接近輸入法的自訂詞庫，只是服務對象從打字的人換成了說話的場合。
定價與排行榜，兩種門面
每小時 0.18 美元值得停下來看。換算新臺幣，一小時的轉寫不到六元；一場兩小時的會議，成本比與會者手邊那杯咖啡還低。當一項能力的成本低到接近背景雜訊，採用與否就不再是需要開會決定的題目，它會被預設開啟。短影片的自動字幕已經走完這條路，會議、通話與課堂聽打排在其後，差別只在於誰先把這個價格吸收進自己的方案。同一波消息裡，Meta 也為 Mac 推出了支援跨應用聽寫的 Meta AI 原生應用，兩件事擺在一起，聲音顯然正在成為這家公司介面策略的主線。命名也透露了位置：Muse 是系列，Voice Transcribe 是功能，名字直接標明這是給開發者呼叫的能力，而非消費者端的產品。
排行榜是另一種門面。Meta 宣稱，截至二〇二六年九月一日，Muse Voice Transcribe 位居 Artificial Analysis 串流語音轉文字排行榜第一名。開發者挑模型的場所早已移到這類第三方榜單，一張表把各家模型的優劣壓縮成可排序的分數。這種以榜單為賣場的版面，我們在黃仁勳宣告 AGI 裏程碑失效一文裡也曾拆解，模型的優劣先被換算成一個名次，才輪到技術細節上場。
當逐字稿自己排好版
模型本身看不見，看得見的是它生成的排版：落字的速度、說話者的標籤、段落的邊界、混排的字體。設計的工作往上移了一層，從畫介面圖變成調整模型的行為，延遲給多少、偏置給哪些詞、修正要不要露出。這些判斷過去屬於速記員與後製人員，現在寫進了 API 的參數裡。
評判的標準倒是很節制。好的即時轉寫介面，是讀字的人不覺得字在追趕聲音，換人發言時標籤安靜換色，會議結束時文件已經排好，可以直接歸檔。會議室裡那行追著聲音跑的字，最理想的狀態是讓人忘了它正在工作。