Ep.1479 Meta、リアルタイム音声認識AI「Muse Voice Transcribe」を発表（2026年9月2日配信）

タイトル

Meta、リアルタイム音声認識AI「Muse Voice Transcribe」を発表

このエピソードで登場するキーワードを説明します。

Meta Superintelligence Labs: Meta社内で高度なAI技術の研究開発を担う組織。

Muse Voice Transcribe: Metaが新たに発表したリアルタイムの音声認識（ASR）モデル。音声ストリーミングを遅延なくテキスト化し、話者の識別なども行う。

Diarization（ダイアライゼーション）: 録音された音声の中で、「誰がいつ話したか」を識別・分離する技術。

Code-switching（コードスイッチング）: 一つの会話や文の中で、複数の言語を交ぜて話すこと（例：「明日の doctor appointment 覚えてる？」など）。

それでは解説に入ります。

2026年9月1日、MetaのSuperintelligence Labsは、リアルタイムの音声認識モデルである「Muse Voice Transcribe」を発表しました。このモデルは、Metaにとって初となるリアルタイムでのオーディオ・パーセプション（音声知覚）モデルのマイルストーンとなるものです。

Muse Voice Transcribeの最大の特徴は、ストリーミングでの音声認識（ASR）、話者分離（ダイアライゼーション）、および発話の終了検知（エンドポインティング）をリアルタイムで実行できる点にあります。モデルは25以上の言語をネイティブにサポートしており、会話の中で複数の言語が混ざる「コードスイッチング」もシームレスに認識することが可能です。例えば、デモの中では英語と中国語を一つの文の中で自然に使い分ける会話が見事にテキスト化され、話者ごとに分類されている様子が示されました。

技術的な裏付けとして、このモデルはMuse Sparkファミリーの自己回帰型マルチモーダルモデルを基盤としています。音声は80ミリ秒ごとのチャンク（12.5 Hz）として処理され、モデル自身が「次の音声を聞くか」「テキストを出力するか」を動的に判断します。さらに、強化学習を用いて精度と遅延のトレードオフを最適化する「アダプティブ・ディレイ（適応型遅延）」という仕組みを取り入れており、文脈の難易度に応じて認識のタイミングを自動調整することで、高い精度と低遅延（スピード）を両立しています。

デモ動画では、一つの部屋で8人が同時に会話するというダイアライゼーションにおいて最も過酷なテスト環境が示され、重なり合う声や割り込みがあっても、誰が何を話したかを正確にトラッキングする様子が公開されました。この強力な音声認識能力について、Metaは「真のパーソナル・スーパーインテリジェンス（個人のための超知能）」を実現するための基盤であると位置づけています。AIグラスのようなウェアラブルデバイスを通じて、単なる音声コマンドではなく、人間の耳のように日常の複雑な会話を理解する「インタラクティブなモデル」こそが、AIがすべての人に普及する未来の鍵になるとしています。

今回のエピソードは以上で終了です。また次回お会いしましょう。