MetaがMuse Voice Transcribeを公開｜話者20人超を識別

画像の出典：Meta AI Research

会議の議事録作成や顧客対応の記録において、録音終了後の文字起こし作業がボトルネックになっていませんか。Metaが新たに発表した音声認識モデルは、発話と同時にテキスト化を行うことで、業務のあり方を根本から変える可能性を秘めています。

Metaの研究部門であるMeta Superintelligence Labsは2026年9月1日、リアルタイム音声認識モデル「Muse Voice Transcribe」を公開しました。本稿では、このモデルが実現する高度な音声処理技術と、ビジネス現場での活用可能性について解説します。

3つの処理を統合したリアルタイム音声認識

Muse Voice Transcribeの最大の特徴は、従来は個別の工程として行われていた「文字起こし」「話者の識別」「話し終わりの検知」という3つの処理を、単一のモデル内で同時に完結させる点にあります。

処理工程の統合による効率化

従来の音声認識システムでは、音声を録音した後に文字起こしを行い、さらに別のアルゴリズムで話者を分離するなどの後処理が必要でした。しかし、Muse Voice Transcribeはこれらを一つのモデルで処理するため、後処理の工程を別途設ける必要がありません。これにより、システム構成を簡素化しつつ、処理の遅延を最小限に抑えることが可能となりました。

アダプティブ・ディレイによる動的な認識

本モデルは、音声を80ミリ秒ごとの塊として受け取り、その都度「もう少し音声を聞くべきか」あるいは「現時点で文字を出力すべきか」をモデル自身が判断します。単語の難易度に応じて待ち時間を動的に調整する「アダプティブ・ディレイ（適応的遅延）」技術を採用しており、精度の高いリアルタイム出力を実現しています。

複雑な会話環境への対応力

ビジネスの現場では、複数の話者が入り乱れる会議や、異なる言語が混在する環境が日常的です。Muse Voice Transcribeは、こうした複雑な状況下でも高いパフォーマンスを発揮するように設計されています。

20人以上の話者分離とコードスイッチング

本モデルは、20人を超える話者を個別に識別するダイアライゼーション（話者分離）機能を備えています。また、一つの文の中で言語が切り替わる「コードスイッチング」にも対応しており、多言語が飛び交うグローバルな会議環境でも、文脈を維持したまま文字起こしが可能です。

コンテキストによる精度向上

事前に特定の単語や文脈をモデルに伝えておくことで、認識精度をさらに高めることができます。専門用語が多用される業界や、独自の社内用語が飛び交う会議においても、高い精度で記録を残すことが期待されます。

関連記事：MetaがMac用「Meta AIアプリ」を公開｜ウィンドウを見せて相談可能

開発者向けAPIとコスト構造

Metaは本モデルを「Meta Model API」経由で提供しており、既存のOpenAI SDKに対応したクライアントであれば、接続先を変更するだけで即座に導入可能です。

導入しやすい料金体系

利用料金は音声1,000分あたり3.00ドル（1時間あたり0.18ドル）に設定されています。この安価な料金体系は、長時間の会議録音や大量の問い合わせログを扱う業務においても、コストを抑えながらAI活用を推進する強力な後押しとなるでしょう。

性能の客観的評価

Metaの発表によれば、2026年9月1日時点のArtificial Analysisにおけるストリーミング音声認識および公開されているダイアライゼーションのベンチマークにおいて、同モデルが1位を獲得しています。学習には70以上の言語が使用されており、そのうち25言語については重点的な検証が完了しています。

出典：AI at Meta（公式X・2026年9月）／Meta AI Research／Meta for Developers