Meta、リアルタイム音声文字起こしモデル「Muse Voice Transcribe」を公開

Metaが、リアルタイムで音声を文字に変換する新しいAIモデル「Muse Voice Transcribe」を公開した。同モデルはMeta Superintelligence Labsが開発したもので、音声認識・話者識別・発話終端検出の3機能を一体で処理できる。公開APIの価格は処理音声1時間あたり0.18ドルに設定されている。

音声認識の分野では近年、会議システムやコールセンター向けのリアルタイム処理需要が高まっており、複数の企業がそれぞれのサービスを競っている。Speechmaticsはデフォルトで50人、設定変更で最大100人の話者を識別できるとしており、Amazon Transcribeはストリーミングを含めて最大30人に対応している。Muse Voice Transcribeが対応する「20人以上」という数字は業界最多ではないものの、市場の上位水準に位置すると見ることができる。

Muse Voice Transcribeの主な特徴として、Metaは1時間を超える長時間音声への対応、複数言語が混在する会話の処理（多言語コードスイッチング）、特定の言語やキーワードを優先して認識する「バイアシング」機能、そして後処理なしで話者識別を行う点を挙げている。モデルは70以上の言語を対象に学習しており、初回リリース時点では25言語について重点的な検証が行われている。

技術的な仕組みとして、音声は80ミリ秒（1秒間に12.5回）のチャンクに分割され、それぞれが「ソフトトークン」と呼ばれる形式に変換される。モデルはその都度「もう少し音声を待つか、テキストを出力するか」を判断しながら処理を進める。Metaはこの仕組みを「アダプティブディレイ」と呼んでおり、発話が不明瞭な場合は判断を遅らせ、十分な文脈がそろった段階で素早くテキストを確定できる。この動作は、文字認識の正確さと処理の遅延をバランスよく保つように強化学習で訓練されているという。

話者識別（ダイアライゼーション）とは、「誰がいつ話したか」を音声データから自動的に特定する技術のことだ。単純な文字起こしに比べて難易度が高く、従来は別の処理ステップとして後から付け加えるのが一般的だった。Muse Voice Transcribeはこれをモデル内部に統合することで、リアルタイム処理の中で話者の特定まで完結させている点が、従来の構成との大きな違いと言える。

この機能の重要性は、AIが生成した記録の「信頼性」という観点から考えるとわかりやすい。たとえば会議の記録システムが発言内容を正しく文字に起こせても、誰がその発言をしたかを誤って記録してしまえば、承認や合意の責任の所在が曖昧になる。コールセンターのコンプライアンス管理や、複数人が同席する場で動くAIエージェントでも、同様の問題が生じうる。こうした用途において、話者識別がリアルタイム処理の中核に組み込まれることの実用的な価値は大きいと位置づけられる。

Metaが設定した1時間0.18ドルという価格は、エンタープライズ向けの音声AIサービスとしては低水準に映る。会議支援ツール、通話分析、ライブアシスタントなど、常時音声処理が必要なシステムを構築する開発者にとって、単一のAPIで文字起こし・話者識別・多言語対応を低コストで賄える構成は、導入判断に影響を与える可能性がある。音声AIの競争が機能だけでなく価格面でも激しさを増す中、Museの登場がこの分野の価格水準にどう作用するかが、今後の注目点と言えそうだ。