Meta、初のリアルタイム音声認識モデル「Muse Voice Transcribe」 20人超の話者識別と多言語混在に対応

Metaが9月1日に発表した「Muse Voice Transcribe」は、リアルタイム音声認識の新しいスタンダードを示す。単一モデルで音声認識、話者分離、発話終了検知を同時に処理し、20人以上の話者識別、70言語以上への対応、日本語を含む多言語混在にも対応する。API価格は1時間当たり0.18ドルで、Artificial Analysisのベンチマーク上は業界首位の精度（WER 3.1%、遅延0.16秒）を実現している。

面白いのは、モデルの公開戦略だ。Metaは前年のオープンソース推進から一転、このモデルの重みは非公開で、自社のMeta Model APIと自社アプリ経由のみの提供に限定している。これは音声認識の精度戦争が「比較ベンチマーク」から「実務レベルの運用コスト・レスポンス時間」の競争に移ったことを意味する。民主化ではなく、サービス化による囲い込みだ。日本語対応も、単なる言語サポートではなく、既に他社より先に日本市場での実装実績を積む手段として機能している。

中小企業にとっての実用性は、導入の心理的ハードルの低下にある。これまでの音声入力は「精度が不安定」という理由で、文字起こし用途に限定されてきた。だがWER 3.1%の精度なら、カスタマーサポートの通話記録、社内会議の同時記録、工場の音声指示ログなど、実務的な運用システムとして組み込める段階に入った。0.18ドル／時間は、人間の記者代より安い。導入の判断基準が「精度」から「コスト対効果」に移る転換点がこれだ。