muse wonder是音频语义理解模型，输入音频+文本指令，直接输出高层判断（如意图、情绪），不生成逐字文本；muse voice transcribe是流式语音转写模型，以80ms为单位实时输出带时间戳、说话人标签的完整文字流，专用于字幕、纪要等需精确对齐的场景。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要区分 Muse Wonder 和 Muse Voice Transcribe 这两个模型在音频任务上的根本定位差异，否则容易把语音转写结果误当作可推理的音频理解输出，导致后续流程出错。
Muse Wonder 是音频理解模型
第一步：打开 Meta 官方 Muse 模型卡页面，确认 Muse Wonder 的输入类型为「音频 + 文本指令」，输出是「对音频内容的语义回答」，例如“这段录音里有没有提到退款？”“第三位说话人语气是否带有质疑？”。
第二步：注意其底层不输出逐字文本——它跳过了 ASR 解码环节，直接从声学特征映射到高层语义判断。这意味着即使音频中存在大量背景噪音或口音失真，只要语义信号足够，它仍可能给出合理回答；但你无法从中提取原始发言时间戳或每个词的置信度。
第三步：调用时必须传入明确的自然语言问题，不能只丢一段音频进去就期待返回文字稿。若强行省略 question 参数，接口会报错 【Missing query prompt】。
Muse Voice Transcribe 是语音转写模型
方法一：以 80ms 音频块为单位流式输入，模型实时输出带时间戳的文本片段，并自动插入
方法二：处理长会议录音时，它原生支持超过 20 位说话人分离，无需额外聚类模块——这点和传统 ASR+diarization 两段式方案完全不同，避免了因分段错误导致的说话人标签漂移。
方法三：识别中英文混说时，模型内部已对 code-switching 做联合建模，不需要手动切语言或加语言提示词。但如果你在中文句子中间突然插入一个冷门外语专有名词（如“Zlatan Ibrahimović”），建议提前通过 context bias 注入该词的音标或常见拼写变体，否则首音节易被误切为中文音节。
关键区别落在输出结构上
Muse Wonder 输出是单句判断或短段落解释，比如“有，用户在 2 分 14 秒提出‘能不能退一半？’”，不保证覆盖全部语音内容；Muse Voice Transcribe 输出是完整时间对齐的文本流，包含每个词的起止毫秒数、说话人 ID 和可选的静音/重叠标记。
如果你需要生成字幕文件或做发言时长统计，必须用 Muse Voice Transcribe；如果你只想快速确认某段音频里是否存在特定意图或情绪线索，Muse Wonder 更轻量、更直接。
运行 Muse Wonder 时显存占用通常比同尺寸 Muse Voice Transcribe 低 15%～20%，因为它跳过了高开销的 token-by-token 自回归解码过程。
