Muse Voice Transcribe公開、20人超の話者をリアルタイム分離

Meta Superintelligence Labsは2026年9月1日、音声認識モデル「Muse Voice Transcribe」を公開した。Metaの 9月1日付の技術発表 では、リアルタイムのストリーミングASR、20人超に対応する話者分離、発話の開始・終了を捉えるエンドポイント検出を一つのモデルで実行し、Meta Model API、Meta AI for Mac、Muse Codeで同日から利用できるとしている。

2026年9月1日の初回公開時点で、日本語も検証済み言語に含まれている。翌2日の 窓の杜の報道 は、70以上の言語で学習し、日本語を含む25言語を入念に検証したことを確認している。ただし、日本語だけを対象にした認識精度や話者分離精度の公開値は見当たらず、日本語対応と、日本語会議での品質保証は同義ではない。

ASR、話者分離、発話終端を一つのモデルで処理

Muse Voice Transcribeは、音声を文字に変換した後で別の話者識別処理や無音判定をかける構成ではない。ストリーミングASRを基盤に、話者の切り替わりと発話の開始・終了を示す特殊トークンを出力し、三つの処理を同時に学習している。

入力音声は80ミリ秒単位に分けられ、モデルは区間ごとに、次の音声を待つか文字トークンを出すかを選ぶ。認識しやすい語は早く確定し、判断に文脈が必要な語では長く待つ「adaptive delay」を採用し、単語誤り率と遅延の両方を報酬に使った強化学習で調整している。

話者分離では、話者が変わる可能性のある位置と、区間を担当する話者タグを別々に出力する。同じ人物の発言が複数区間に分かれても共通のタグを付けられる設計だが、タグはSpeaker A、Speaker Bのように発話を区別するもので、人物の実名を自動的に確定する本人識別機能とは説明されていない。

日本語は検証済み、言語別の精度は未公表

公式ページのLanguage Coverageには日本語のデモ選択肢があり、初期利用が推奨される検証済み言語にも日本語が含まれる。文中や文をまたいだ言語切り替えにも対応し、言語、キーワード、文脈を指定するバイアシングによって固有名詞や専門用語の認識を補助できる。

一方、公開資料は日本語について、単語誤り率、文字誤り率、句読点の精度、話者分離誤り率を個別に示していない。敬語、同音異義語、数字、社名や人名、日英混在の発話を含む日本語会議で、他言語と同じ品質が得られるとまでは確認できない。

初回発表にはストリーミング音声認識と公開話者分離ベンチマークで首位との記載があるものの、今回確認した公開ページには、日本語音声を使った第三者の再現試験や詳細な評価条件は掲載されていない。したがって、25言語の検証済みという区分は利用可能性を判断する材料にはなるが、日本語環境での具体的な精度を示す数値ではない。

20人超と1時間超はモデル能力の表明

Muse Voice Transcribeは、20人を超える話者と1時間を超える音声入力を、必須の後処理なしで扱えるとされる。公式ページには1時間52秒の長時間会話デモもあり、短い音声コマンドに限らず、会議や継続的な会話の文字起こしを想定した設計であることが分かる。

ただし、モデルが長い音声文脈を処理できることは、すべてのAPI接続で1時間を超える連続セッションが保証されることを意味しない。公開状態で閲覧できる資料からは、接続時間、再接続時の文脈維持、同時実行数、レート制限、対応ファイル形式といった運用上の上限を確定できない。

「20人超」も、あらゆる会議条件で20人以上を正確に分離できるという精度保証ではない。発話の重なり、離れた位置の声、反響、騒音、マイク構成によって結果が変わり得るため、日本の会議用途では対応人数と実環境での分離精度を分けて評価する必要がある。

APIは1000音声分3ドル、Macでも利用可能

9to5Macの公開時報道 によると、Meta Model APIの料金は音声1000分当たり3ドルで、単純換算では1時間当たり0.18ドルとなる。同記事は、Meta AI for MacとMuse Codeの音声入力にも採用され、MacではFnキーを押しながら任意のアプリへ入力できるとしている。

利用経路は、Mac上の音声入力として使う方法と、開発者がMeta Model APIを通じて自社サービスへ組み込む方法に分かれる。APIはリアルタイム字幕、会議記録、音声エージェントなどへの組み込みが考えられるが、公開記事だけでは提供地域、アカウント要件、無料枠、最低課金単位、通貨換算や税の扱いまで確認できない。

このため、1000分当たり3ドルは音声処理部分の公表単価として扱うべきで、実際の総費用を示すものではない。文字列の保存、再接続処理、アプリ側の認証や保管基盤に必要な費用は別に発生し得る。

音声非保存は公式デモの説明に限られる

公式ページ上のマイクデモには、入力音声を文字起こしのために処理するが保存しないとの説明がある。対象が明記されているのはこのウェブデモであり、Meta Model API、Meta AI for Mac、Muse Codeの全利用形態に適用される包括的なゼロ保持保証とは確認できない。

APIについては、音声と生成文字列の保持期間、障害調査用ログ、処理地域、委託先、削除方法を、利用するアカウントの契約条件と認証後の開発者資料で確認する必要がある。会議参加者の同意や社内規程への適合も、モデルの認識機能とは別の条件になる。

現時点で確認できるのは、Muse Voice Transcribeが公開済みで、日本語を初期の検証済み言語に含め、リアルタイムASR、20人超の話者分離、発話終端検出、1時間超の音声処理を掲げていることだ。日本語固有の独立評価、API全体の音声・文字列保持条件、詳細な利用上限は公開情報だけでは確定できず、日本での導入判断には今後の開示か、実際の利用条件に合わせた評価が必要になる。