Metaは、リアルタイム音声知覚モデル「Muse Voice Transcribe」を発表した。
ストリーミング文字起こしに加え、20人以上の話者識別や発話終了の検出に対応し、多言語環境での音声処理にも対応する。
リアルタイム文字起こしと20人超の話者識別に対応
2026年9月1日、Metaは、リアルタイム音声知覚モデル「Muse Voice Transcribe」を発表した。
Meta Superintelligence Labsが開発した初のリアルタイム音声知覚モデルで、Muse Sparkファミリーに属する自己回帰型マルチモーダルモデルである。
音声を80ミリ秒単位で処理し、次の音声を待つか文字を出力するかをモデル自身が判断する仕組みを採用した。
中核となるのはストリーミングASR（※）である。
認識が難しい単語では音声を長く聞き、容易な単語では早く文字化する「adaptive delay」を導入し、精度と遅延のバランスを動的に調整する。
Metaによると、同モデルはArtificial Analysisのストリーミング音声認識と公開の話者識別ベンチマークで首位となったという。
さらに、20人超の話者を区別するダイアライゼーションと、発話の開始・終了を捉えるエンドポイント検出にも対応する。
70以上の言語で学習し、そのうち25言語を多角的に検証したほか、文中や文間で言語を切り替えるコードスイッチング、1時間を超える長時間音声も扱える。
Meta AIとMuse Codeの音声入力にはすでにMuse Voice Transcribeが採用されている。
9月1日時点では、Meta Model API、Meta AI for Mac、Muse Codeを通じて利用可能だ。
※ASR：Automatic Speech Recognitionの略。人の音声を解析し、発話内容を自動的に文字へ変換する音声認識技術。
音声操作の利便性向上へ 精度と遅延の両立が焦点
リアルタイム文字起こし、話者識別、発話終了検出を一つのモデルで扱える点は、音声インターフェースの実用性を高める可能性がある。
特に複数人が参加する会議や、多言語が混在する会話では、話者ごとの整理やコードスイッチングへの対応により、後処理を減らしながら音声情報を扱いやすくなると考えられる。
またこうした音声認識機能がMeta AIやMuse Codeに組み込まれることで、AIに対する音声操作がより日常的な操作になる可能性が高まる。
画面上の作業を続けながら声で操作できれば、文章作成やコーディングなどで入力方法の選択肢が増えるだろう。
一方、リアルタイム音声認識では精度と応答速度が相反しやすい。
Muse Voice Transcribeはadaptive delayでこの課題に対応するものの、単語の難易度に応じて待ち時間を動的に変える設計であり、用途によって許容できる遅延は異なる。
70以上の言語で学習している一方、重点的に検証済みなのは25言語であるため、言語ごとの実運用精度も確認が必要だろう。
今後は、会議、音声アシスタント、コーディング支援などの実環境で、低遅延を維持しながら、言語や話者数が異なる環境でも安定した認識精度を示せるかが、活用拡大の焦点となりそうだ。
Meta 「Introducing Muse Voice Transcribe」
関連記事：
MetaがMuse Spark 1.3発表 エージェントとコーディングを強化
Google、音声認識モデル「Gemini 3.5 Transcribe」公開 85以上の言語対応、言い直しを自動処理
Google、Gemini Liveにエージェント機能を導入開始 複数アプリ横断でタスク実行
