Metaが次世代リアルタイム音声認識モデル「Muse Voice Transcribe」を発表：20人超の話者識別と多言語対応を達成
米Metaは、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」を発表しました。本モデルは、ストリーミングASR（音声認識）、話者分離（ダイアライゼーション）、発話終了検知（エンドポインティング）の3つの機能を単一モデルで処理できる点が最大の特徴です。このモデルは、20人以上の話者を区別できる高い話者識別能力を持ち、1時間を超える長時間の音声に対しても後処理なしで対応可能です。
技術面では、「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として位置づけられています。音声を80ミリ秒（12.5Hz）単位のチャンクで処理し、モデル自身が「次の音声を聞き続けるか」「テキストを出力するか」を判断する仕組みを採用しています。また、単語ごとの難易度に応じて待機時間を変える「適応的ディレイ」を強化学習で獲得し、精度と遅延のトレードオフを大幅に改善しました。
性能評価では、Artificial Analysisのストリーミング音声認識ランキングで1位を獲得。確定文字起こしにおける単語誤り率（WER）は3.1％に留まり、競合モデル（Cartesia Ink-2やElevenLabsのScribe v2 Realtimeなど）を上回る高精度を実証しています。話者分離の平均誤り率も17.5％と低い水準です。
言語対応能力も特筆すべき点であり、70以上の言語で学習が進められ、初期リリース時点で25言語が検証済みです。特に、日本語を含む複数の言語が混在する「コードスイッチング」をネイティブに扱い、言語や文脈のバイアス指定によって認識精度を高めることが可能です。本モデルは、Meta Model APIを通じて1時間あたり0.18ドルで提供され、Mac版「Meta AI」やコーディング製品「Muse Code」からも利用可能となっています。
背景
近年、AI技術の進化に伴い、会議の文字起こしやコールセンターのリアルタイム対応など、高精度かつ即時性が求められる音声処理のニーズが急増しています。従来の音声認識システムは、話者分離や長文処理において課題を抱えていましたが、Metaはこれらの課題を単一モデルで解決する画期的なシステムを開発しました。
重要用語解説
- ストリーミングASR: 音声が途切れることなく入力される状況（ストリーミング）で、リアルタイムにテキストに変換する技術。遅延を最小限に抑えることが重要です。
- 話者分離（ダイアライゼーション）: 複数の話者が同時に話している音声データから、誰がいつ話したかを識別し、話者ごとに音声を区切る技術。
- コードスイッチング: 話し手が会話の途中で、意図的に異なる言語の単語や文法を混ぜて使用すること。多言語対応の難易度が高い要素です。
今後の影響
本モデルの登場により、会議録作成、コールセンターのオペレーション、多言語対応のコンテンツ制作など、あらゆる分野で音声データの処理効率と精度が飛躍的に向上します。特にリアルタイムでの高精度な文字起こしは、AIを活用した業務自動化の新たな標準となることが予想されます。