Meta、リアルタイム音声認識のMuse Voice Transcribe公開

Meta Superintelligence Labsは2026年9月1日、初のリアルタイム音声認識モデル「Muse Voice Transcribe」を発表した。このシステムは音声を文字起こしし、同じ録音の中で20人以上の異なる話者を識別し、ある人物が話し終えた瞬間を正確に検知する。これまでこの3つの作業には、文字起こし用、話者分離(ダイアライゼーション)用、発話終了検知用という3つの別々のシステムが必要で、それらをつなぎ合わせるたびに遅延と新たな誤作動の要因が加わっていた。同モデルはmuse-voice-transcribe-1.0としてMetaのAPIで既に利用可能となっており、Mac版Meta AIアプリと同社のコーディング支援ツールMuse Codeの音声入力機能をすでに支えている。Metaはモデルの重みを公開しておらず、自社サーバーへの導入はできず、ホスト型サービスとしてのみ利用できる。

仕組み:同じループの中で「聞く」と「書く」を両立

Muse Voice Transcribeは「Muse Spark」ファミリーに属し、音声を80ミリ秒単位、つまり毎秒12.5個のチャンクに分けて処理する。各チャンクは1つのトークンに変換され、モデルはテキストも同時に生成する同じデコーダーの中で自己回帰的にこれを解析する。聞いた内容と書いた内容を別途すり合わせる工程は存在せず、従来のパイプラインが同期を崩しやすいのはまさにこの部分だった。各チャンクの処理後、モデルは二者択一の判断を下す。「聞き続ける」ことを示すトークンを予測するか、直接1つの単語を出力するかのどちらかだ。音声ストリームが終了すると、特別なトークンがこれ以上の入力がないことをモデルに伝え、未出力のテキストを即座にすべて出力する。Metaはこの挙動を「柔軟な傾聴」と呼び、その時々で誰が話しているかを判断する際にも同じ仕組みを用いている。

事前に固定せず、学習によって決まる「遅延」

モデルが単語を書き出す前にどれだけの音声を待つか——Metaが「遅延」と呼ぶこの値——は固定されていない。文脈を多く蓄積するほど文字起こしは正確になるが、その分待ち時間も増える。Metaのエンジニアはこのトレードオフを手動で設定する代わりに、強化学習で学習させた。単語誤り率に基づく精度報酬と速度報酬を乗算的に組み合わせることで、モデル自身が単語ごとの難易度に応じて遅延を変化させることを学習する仕組みだ。話者識別には別モデルを使わず、同じストリーム内の特別なトークンを利用する。話者交代の可能性が生じた瞬間にマークするトークンと、やや遅れてA~Zの話者ラベルを割り当てるトークンの2種類があり、同一人物の音声が複数のセグメントに分かれても、すべて同じラベルに解決される。さらに2つのトークンが発話の開始と終了を示し、発話終了検知に使われる。この3つのタスクは、文字起こしの基本報酬の上に一体として学習される。

Cartesia、ElevenLabs、Geminiを上回る結果

• Artificial Analysis AA-WER Streamingベンチマークで、最終文字起こしの単語誤り率は発話終了から0.16秒後の時点で3.1%——Cartesia Ink-2(0.43秒で3.4%)やElevenLabs Scribe v2 Realtime(0.14秒で3.6%)を上回る。
• 最初の部分文字起こしの誤り率はわずか0.13秒で3.6%。外部エンドポイントを用いたCartesia Ink-2は0.07秒とより高速だが、精度は4.0%と劣る。
• AMI-IHM、AMI-SDM、VoxConverseの各テストにおける平均話者分離誤り率は17.5%で、比較対象の他5システムは21.1%から28.6%の範囲だった。
• 1時間を超える録音と20人以上の同時発話に、追加の後処理なしで対応可能。言語・キーワード・文脈のバイアス調整によって精度をさらに高めることもできる。
• 料金は音声1,000分あたり3ドル(1時間あたり約0.18ドル)で、Cartesia Ink-2の4ドルを下回り、ElevenLabs Scribe v2 RealtimeやDeepgram Fluxの6.50ドルの半分以下となっている。

同モデルは70以上の言語で学習されており、そのうち25言語は公開前に徹底した検証を経ている。バイリンガル話者によくある、文の途中での言語切り替えにもネイティブに対応し、精度は損なわれない。Metaは2026年9月1日、X上の@AIatMetaアカウントを通じてこの発表を行い、自社初のリアルタイム知覚モデルと位置づけた。OpenAIやGoogleが同等のライブ文字起こしシステムを発表する前に先行した形だ。MacにMeta AIアプリをすでに導入しているユーザーは、今すぐ試すことができる。Fnキーを押したまま任意のアプリケーションで話すだけで、音声入力が新モデルによって文字起こしされる。

複数人が同時に発言する会議や記者会見、インタビューを記録する日本の企業や専門職——記者、法律事務所、カスタマーサポート、聴覚障害者向けアクセシビリティサービスなど——にとって、文字起こし・話者分離・発話終了検知を1つの処理でこなすモデルは、インフラコストと、複数ツールを連携させることで生じる誤りの両方を減らせる可能性がある。一方で、利用できるのはMetaのAPI経由のみで、自社サーバーへの導入やモデルの重みの監査はできない点を受け入れる必要がある。すでに運用中の文字起こしフローを置き換える前には、対応70言語超のうち徹底検証済みは25言語にとどまる点を踏まえ、実際に使うチームの言語や訛りでの誤り率を確認しておく価値がある。