Metaは1日（現地時間）、リアルタイム音声認識モデル「Muse Voice Transcribe」を公開した。話者を識別しながら音声を逐次テキスト化できるのが特徴で、20人を超える会話や、多言語が混在する発話にも対応する。

Muse Voice Transcribeは、Meta Superintelligence Labs（MSL）が開発した初のリアルタイム音声認識モデルだ。マルチモーダル推論モデル「Muse Spark」をベースにした自己回帰型モデルで、リアルタイム自動音声認識（ASR）、話者識別、発話終了検知を単一モデルで処理する。

音声は80ミリ秒（ms）単位で処理する。認識の難しさに応じて、より長く音声を取り込むか、即座に文字変換するかをモデルが判断する「適応遅延」技術を採用し、認識精度と応答速度の両立を図った。

Metaによると、Artificial Analysisのストリーミング音声認識評価では、最終文字起こしの単語誤り率（WER）3.1％を記録し、同日時点で首位だったという。

価格競争力も訴求する。Meta Model APIの利用料金は、音声1時間当たり0.18ドル、1000分当たり3ドル。Metaは、Artificial Analysisが比較した主要なリアルタイム音声認識モデルの中でも低水準の価格設定だとしている。

モデルは70以上の言語で学習した。このうち韓国語、英語、日本語、中国語、スペイン語など25言語については重点的に検証した。1つの発話内で複数言語が混在するケースや、文ごとに言語が切り替わるコードスイッチングにも標準対応する。

あわせて、特定の言語やキーワード、文脈情報を事前に指定することで認識精度を高める機能も備える。1時間を超える長時間音声や、20人以上が参加する会話についても、追加の後処理なしで扱えるとしている。

想定用途としては、議事録作成、インタビュー、講義、コールセンターなど、複数話者が登場する場面を挙げた。

Muse Voice Transcribeは現在、Meta Model API、Mac向けMeta AI、AIコーディングツール「Muse Code」で利用できる。MacではFnキーを押しながら話すことで、他のアプリでも音声入力機能を使える。