Meta、初のリアルタイム音声認識モデル「Muse Voice Transcribe」　20人超の話者識別と多言語混在に対応

公開 2026年09月02日 13時18分

[ITmedia]

印刷する Googleで優先するソースとして追加

　米Metaは9月1日（現地時間）、Meta Superintelligence Labs（MSL）が開発した初のリアルタイム音声認識モデル「Muse Voice Transcribe」を発表した。「Meta Model API」での価格は1時間当たり0.18ドルで、同日から提供している。

　ストリーミングASR（音声認識）に加え、話者分離（ダイアライゼーション）と発話終了検知（エンドポインティング）を単一モデルで処理する。20人以上の話者を区別でき、1時間を超える音声にも後処理なしで対応する。学習に使った言語は70以上で、うち25言語を初期リリース時点で検証済みとしている。検証済み言語の例には日本語も挙げられている。1つの文の中で言語が切り替わる「コードスイッチング」もネイティブに扱い、言語、キーワード、文脈のバイアス指定で認識精度を高められるという。

　技術面では、「Muse Spark」ファミリーの自己回帰型マルチモーダルモデルという位置付けだ。音声を80ミリ秒（12.5Hz）単位のチャンクで処理し、各チャンクで「次の音声を聞き続ける」か「テキストを出力する」かをモデル自身が判断する。単語ごとに難易度に応じて待機時間を変える「適応的ディレイ」を強化学習で獲得させ、精度と遅延のトレードオフを改善したとしている。

　性能について同社は、Artificial Analysisのストリーミング音声認識ランキングと公開されている話者分離ベンチマークで1位としている。Artificial Analysisによると、確定文字起こしの単語誤り率（WER）は3.1％で、発話終了からの遅延は0.16秒にとどまり、Cartesia Ink-2（3.4％）やElevenLabsのScribe v2 Realtime（3.6％）を上回った。話者分離の平均誤り率は17.5％としている（いずれも9月1日時点の比較）。