Metaがリアルタイム文字起こしAI「Muse Voice Transcribe」をリリース

Meta Superintelligence Labs(Meta超知能ラボ)が、初のリアルタイム音声認識モデル「Muse Voice Transcribe」を発表しました。Metaのリアルタイム音声モデルにとって大きな節目となるモデルで、リアルタイムストリーミング音声認識や20人以上の話者に対応した対話識別、および発話終了検出を備え、AI評価プラットフォーム・Artificial Analysisのランキングで1位を獲得しています。

Introducing Muse Voice Transcribe | Meta AI Research
https://research.meta.ai/blog/introducing-muse-voice-transcribe

「Muse Voice Transcribe」は、Meta Superintelligence Labsが展開するマルチモーダル推論モデル「Muse Spark」ファミリーの自己回帰マルチモーダルモデルです。

ネイティブなマルチモーダル推論モデル「Muse Spark」をMetaが発表、AI事業の「根本的な見直し」の一環 - GIGAZINE

「Muse Voice Transcribe」のArtificial Analytisでのストリーミング音声認識のスコアはこんな感じ。発話終了を検出したあとの「最終文字起こし」で誤って文字起こしされた単語の割合を示していて、低いほど高精度で、Muse Voice Transcribeは3.1％となっています。

話者の識別能力を示すスコアでも、他のモデルに比べて誤認識率が低いことがわかります。

Artificial Analysisによると、Muse Voice Transcribeは「1時間あたり0.18ドル(約29円)」または「1000分(16時間40分)あたり3ドル(約480円)」で、他モデルに比べて安価だとのこと。

トレーニングには70以上の言語が用いられていて、特に以下25言語は広範囲な検証済み言語となっています。

・アラビア語
・ベンガル語
・オランダ語
・英語
・フランス語
・ドイツ語
・ヘブライ語
・ヒンディー語
・インドネシア語
・イタリア語
・日本語
・カンナダ語
・韓国語
・マレー語
・中国語(北京語)
・マラーティー語
・ポーランド語
・ポルトガル語
・スペイン語
・タガログ語
・タミル語
・テルグ語
・タイ語
・トルコ語
・ベトナム語

バイリンガルの話者にとって、複数言語の単語を切り替えて用いるコードスイッチングは一般的なものです。Muse Voice Transcribeは文ごとや一文内でのコードスイッチングをネイティブサポートし、文脈バイアスも活用することで認識精度を高めています。

また、1時間以上の音声や20人以上の会話もサポートしていて、録音後の発話者ラベル付与やレベル調整のような処理は一切必要ないとのこと。

Muse Voice TranscribeはMeta Model APIおよびMeta AI for Mac、Muse Code経由で2026年9月2日から利用可能です。