プロダクト
ツール・利用法

Metaの「Muse Voice Transcribe」登場、20人超の話者識別と多言語混在に対応

ITmedia AI＋2026-09-02

Metaは、20人以上の話者識別と多言語混在に対応する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。Meta Model APIを通じて提供され、高精度な文字起こしと話者分離を単一モデルで実現し、ビジネスにおける音声データ活用の可能性を広げます。

Meta Superintelligence Labs（MSL）が開発したリアルタイム音声認識モデル「Muse Voice Transcribe」が発表されました。このモデルは、ストリーミング音声認識、話者分離、発話終了検知を単一で処理し、20人以上の話者を区別できるほか、日本語を含む25言語以上での多言語混在（コードスイッチング）にも対応します。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「Muse Code」でも利用可能です。同社は、Artificial Analysisのランキングで確定文字起こしの単語誤り率（WER）3.1％、遅延0.16秒という高い性能を達成したと発表しており、会議の議事録作成や多言語コミュニケーションツールなど、ビジネスにおける音声活用を大きく前進させる可能性を秘めています。

この記事は外部メディアの内容を要約したものです。詳細は元記事をご覧ください。

元記事を読む →